Improving Auditory-Perceptual Voice Assessment: A Hybrid In-Class and Online CAPE-V Training Study
Notice bibliographique
Résumé
BACKGROUND: Auditory-perceptual training is essential to reduce rating variability, yet most studies on hybrid training approaches are scarce, and most emphasize reliability rather than accuracy relative to expert standards. OBJECTIVE: This study evaluated a hybrid teaching tool combining in-class discussion with optional online practice (All-Voiced) for improving accuracy, reliability, and generalization of consensus auditory-perceptual evaluation of voice (CAPE-V) ratings in speech-language pathology students on both vowels and sentences. METHODS: Sixty-six graduate students completed a five-step CAPE-V training sequence, including baseline ratings, guided in-class discussion of prototypical samples, repeated ratings, optional online training, and a final test. Students rated Overall Severity, Roughness, and Breathiness relative to expert anchors. Accuracy (mean absolute error, % within 10 mm, and interquartile range [IQR]) and reliability (intraclass correlation coefficients) were analyzed for step, discussion, training, novelty, and sample type effects. RESULTS: Learners improved significantly after in-class discussion (P < 0.001), with gains largely retained at final testing. Breathiness showed the largest improvement, approaching clinical minimally detectable change thresholds. Optional online training yielded modest additional benefits, significant only for Breathiness (P < 0.001) and for Overall Severity mean absolute error (P = 0.03). Performance generalized less effectively to novel than familiar voices (P ≤ 0.002), except for Overall Severity % within IQR (P = 0.47). Across Step, Discussion, Training, and Novelty conditions, sentences were generally rated more accurately than vowels: they showed consistently lower errors (mean absolute error, P ≤ 0.014) and higher accuracy within 10 mm (P ≤ 0.05), while % within IQR advantages emerged mainly for Roughness (Step and Discussion, P < 0.001) and Breathiness (Training and Novelty, P ≤ 0.002), but not for Overall Severity. CONCLUSIONS: Hybrid training combining expert-led discussion with online practice improves both accuracy and reliability of CAPE-V ratings in novices. Even modest changes represent important pedagogical gains that support more consistent and valid clinical decision-making.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,005 | 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 ».