大语言模型(LLMS),例如Chat-GPT,被广泛用于生成用于各种目的和受众的内容。但是,这些模型可能无法反映用户的文化和情感多样性,尤其是对于低资源语言。在本文中,我们提出了Chatgpt如何代表Hausa的文化和情感。我们将Chatgpt发出的响应与本地豪萨人在37个具有文化相关的问题上提供的响应。我们使用情感分析进行了实验,并应用了两个相似性指标来衡量人与ChatGPT响应之间的比对。我们还收集了人类参与者的评分和有关ChatGPT响应的反馈。我们的结果表明,Chatgpt与人类反应有一定程度的相似之处,但在其知识和对豪萨文化和情感的认识方面也表现出了一些差距和偏见。我们讨论了我们的方法和分析的含义和局限性,并提出了改善低资源语言LLM的性能和评估的方法。
第三部分(第 6 章,器乐部分)介绍并讨论了对受过教育的以该语言为母语的人的言语中观察到的声带在产生声门辅音及其非声门辅音时的行为活动的详细电喉图分析结果。本章首先回顾了文献,这些文献报道了早期对该语言音节音素的工具性和非工具性研究。然后描述了用于记录、显示和注释语音压力和喉图波形的技术。对波形进行了定性和定量分析。定量分析中最重要的参数是从 Lx 波形测量中得出的估计开商 (OQ),还给出了基频、持续时间和语音起始时间的测量值。本章最后介绍了实验结果:
