对话角色对语音 AI 和人类对话者语音对齐的影响 标题:角色和对话者影响对齐 Georgia Zellou、Michelle Cohn 和 Tyler Kline 语音实验室,加利福尼亚大学戴维斯分校语言学系 469 Kerr Hall,One Shields Ave.,戴维斯,CA 95616,美国 通讯作者电子邮件:gzellou@ucdavis.edu 摘要 两项研究调查了对话角色对人类和语音 AI 对话者语音模仿的影响。在单词列表任务中,给予者指示接收者将单词放在两个列表中的哪一个上;这个对话任务类似于用户与语音 AI 系统进行的简单口头交互。在地图任务中,参与者与对话者一起完成填空工作表,这是一项更复杂的交互任务。参与者与两个对话者完成了两次任务,一次作为信息提供者,一次作为信息接收者。通过相似性评级评估语音对齐,并使用混合效应逻辑回归进行分析。在单词列表任务中,参与者在更大程度上仅与人类对话者保持一致。在地图任务中,仅作为给予者的参与者更多地与人类对话者保持一致。结果表明,语音对齐由对话者的类型介导,并且对话角色的影响因任务和对话者而异。关键词:语音对齐、语音-AI、人机交互、对话角色
学生在学习编程语言 (PLL) 时面临困难,这促使许多学者研究其背后的因素。尽管在 PLL 过程中发现了许多积极和消极因素,但使用 PLL 中的在线工具被认为是一种积极推荐的方法。这促使许多研究人员提供解决方案和建议,从而产生许多选择和选项。然而,对这些努力进行分类并展示已经完成的工作,将为未来的研究提供更好、更清晰的形象。因此,本文旨在进行系统的文献综述,以展示已经进行的研究,然后根据在线工具的类型和研究目的对其进行分类。该研究遵循 Kitchenham 和 Charters 编写 SLR(系统文献综述)的指南。搜索结果显示 2013 年至 2018 年 9 月之间的 1390 篇出版物。经过选定标准的筛选后,发现 160 篇出版物足以回答评论问题。本系统评价的主要结果是对在线 PLL 工具的研究目的进行分类,对工具进行分类并发现在线 PLL 工具的当前趋势。
尽管语言在我们的生活中显而易见,但我们快速有效地学习新单词和含义的至关重要能力在神经生物学上还是很糟糕的理解。传统的知识坚持认为语言学习(尤其是成年期)是缓慢而费力的。此外,其结构基础尚不清楚。即使在立即立即明显地进行了学习的行为表现,但在各种半类别中,先前的神经影像学工作已经在很大程度上研究了与数月或数年的实践相关的神经变化。在这里,我们涉及新词典的获取,特别关注与动作相关的语言的学习,这与大脑的运动系统有关。我们的结果表明,仅在新的单词学习后几分钟后,有可能测量和调节(使用运动皮层的经颅磁刺激(TMS))皮层微解原解重组。通过扩散的峰度成像(DKI)和基于机器学习的分析衡量的学习诱导的微观结构变化在前额叶,时间和顶壁新媒介位点显而易见,这可能反映了在学习任务期间立即立即反映出整合性词典词典 - 弹性处理和新记忆电路的形成。这些结果提出了快速新皮层编码机制的结构性基础,并揭示了模态和联想大脑区域在支持学习和单词获取方面的因果互动关系。
心理健康是一项艰巨的全球挑战。从经济角度来看,结合直接和间接成本,2010 年全球心理健康状况的成本估计为 2.5 万亿美元,预计到 2030 年将增长到 6 万亿美元 [Bloom 等人,2021]。在美国,自杀是 10-34 岁人群的第二大死亡原因,也是 35-54 岁人群的第四大死亡原因,全球每年有 80 万人死于自杀 [WHO,2014]。获得专业帮助的机会不足——在美国,超过 1.2 亿人生活在联邦指定的心理健康护理专业人员短缺地区 [HRSA,2021];因此,今年的研讨会主题为“改善获取途径”,旨在鼓励就该主题提交意见和进行讨论。
这篇论文由 ScholarWorks 的 Walden 论文和博士研究系列免费提供给您,供您开放访问。它已被 ScholarWorks 的授权管理员接受并收录在 Walden 论文和博士研究中。如需更多信息,请联系 ScholarWorks@waldenu.edu。
如今,由于缺乏与真人伙伴练习的机会,许多学生通过听和重复预先录制的材料来学习说外语。利用人工智能、语音和自然语言处理领域的最新进展,我们开发了 EnglishBot,这是一个语言学习聊天机器人,可以与学生就与大学相关的话题进行互动,并提供自适应反馈。我们通过两项为期六天的用户研究,在自愿和固定使用条件下,对 56 名中国大学生进行了 EnglishBot 与传统聆听和重复界面的比较评估。根据雅思自愿学习的评分标准,使用 EnglishBot 的学生的流利程度提高更多。EnglishBot 用户也表现出更高的参与度,并且自愿花费 2.1 倍的时间与 EnglishBot 互动。我们的结果表明,对话界面可能有益于外国学习者的口语学习,尤其是在随意的学习环境下。
在我们所做的所有事情中,除了其无处不在和实用性之外,语言也许是特征特征与所有其他有众者不同的特征。因此,研究住房语言的获取,处理和神经/认知效应提供了更好地理解与认知科学多个领域有关的基本特征的机会,例如语言本身的表现和工作,例如人类的认知,脑形可变性,并且在塑造相关功能中所具有的作用在塑造相关的能力中所扮演的角色。毫无疑问,研究单语言如何获取和处理其母语对上述领域的关键见解,但在没有考虑双语主义带来相同查询的哪些同样的查询的情况下,最终永远无法实现全面的理解。为什么会这样呢?知道多种语言代表了全球默认的语言现实 - 超过50%的世界人口至少是双语的,即使不是多语言的话(Grosjean,2019; Romaine,1995)。因此,从全球少数群体(所谓的单语言)的角度来理解语言及其在思维/大脑中的敲门效应,构成了固有的谬误,这构成了误解先验的任何有意义的普遍性。的确,研究各种双语者中语言的获取和处理的研究都记录了它们之间的相似性和差异(例如,Desmet&Duyck,2007; Meisel,2004,2011; Kaan,2014; Kaan,2014; Slabakova,2016; Kupisch&Rothman&Rothman,2018)。双语本身构成了语言和认知科学研究的重要自然实验室。从语言角度来看,更强调和阐明语言的发展,在心理上代表和处理语言,还是更神经科学的角度来看,它利用语言来揭示哪些大脑领域和神经网络与复杂的认知过程有关,而没有来自BI linguals的证据,我们只有比较(比)一半。鉴于双语不是一个单一思想中的两个单语言的总和,因此这一发现并不奇怪,也不会说出一个国家的优越性而不是另一个国家的优越性。他们只是强调,尽管在包括基本机制在内的多个层面上共享了很多重叠,但它们是同一基本上人类反射的独特实例。与跨语言影响有关的研究在双语获取和处理中,多十多年来,引用了众多例子之一,不仅强调了语言的相对(但受到约束)语言孔口及其与领域一般认知的亲密关系,而且还强调了更多的
应用语言学(AL)中传统的线性回归遭受严格假设引起的缺点:线性和正常性等。需要更高级的方法来克服传统方法的缺点,并努力处理复杂的语言问题。但是,以前没有关于机器学习(ML)在AL中的应用,可解释的ML和相关实用软件的应用。本文通过回顾AL中的ML的代表性算法来解决这些差距。结果表明ML适用于AL,并享有前途的未来。进一步讨论可解释的ML在报告AL中报告结果的应用。最后,它以实用的编程语言,软件和平台的建议结束,以实施AL研究人员的ML,以促进AL和ML之间的跨学科研究。
基于跨文化务实的研究观点,旨在比较印尼和也门EFL学习者之间邀请邀请的邀请的成就。研究参与者是来自印度尼西亚Airlangga University的30名本科生和也门Sana'a University的30名本科生。所有参与者的文化背景都不同。数据是通过使用话语完成任务(DCT)收集的,然后在Bruder和Tillitt(1999),Al-Khatib(2006)和Suzuki(2009)邀请策略的基础上进行了分析。研究结果在邀请制作方面表现出了一些相似之处和差异。某些邀请策略似乎在文化上是一种文化,而另一些文化则是普遍的。在这方面,印尼EFL学习者宁愿在使用语音行为时间接使用邀请,而邀请提出邀请,而不是偏爱使用是/否问题,要求愿意和WH。问题策略。他们认为,使用此类策略有助于他们在使用第一语言时在日常对话中使用一些礼貌的表达。相比之下,也门EFL学习者赞成直接使用《语音邀请法》,而命令策略的最高百分比是YES/否问题策略。这可能会显示其第一语言对答案的一部分。他们还知道,直接邀请大多在其文化中被接受。也提供了研究的含义。此外,研究结果表明,印尼和也门EFL学习者将母语的话语翻译成目标语言,而没有考虑两种语言之间的句子模式和单词顺序的变化。