Development of a Method to Assess In-Ear Speech Intelligibility Through Listening Effort
Notice bibliographique
Résumé
Active hearing protection devices equipped with an in-ear microphone enable in-ear voice pickup which, presents better signal-to-noise ratio over ambient microphones in highly noisy conditions. To improve its intelligibility, in-ear speech requires processing which can take many forms, from fixed filtering to spectral domain processing based on machine learning. Comparing these processing strategies objectively can be difficult. In the authors’ experience, objective intelligibility assessment techniques like the modified rhyme test have not provided the necessary resolution to compare various processed in-ear speech. They have also failed to capture a concept of listening effort, which intuitively seemed to increase with in-ear speech over reference speech whenrecorded in silence.This work presents the early development and preliminary validation of a technique that objectively measures intelligibility of speech material and its associated listening effort. Using a dual task paradigm, the attentional and cognitive resources required to understand speech were quantified. Ten participants performed a closed-set word recognition task and visual pattern recognition task separately and concurrently. Accuracy data were collected for in-ear and reference speech in noise. Dual-task costs (DTC) were calculated.Speech intelligibility was low and listening effort was high for reference speech presented with an 85 dB(A) competing noise. When reducing the competing noise level to 80 dB(A), speech intelligibility improved, but listening effort remained important. While in-ear speech (with and without speech processing) presented with high levels of intelligibility, they also presented with better listening effort than reference speech with competing noise. Our results suggest that a dual-task paradigm to measure listening effort can be a good approach to behaviorally evaluate in-ear speech. Our pilot study supports the use of in-ear speech to improve communication in noisy settings while quantifying its potential for further improvements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».