Overview of CTC 2021: Chinese Text Correction for Native Speakers
iFLYTEK Research(讯飞研究院);Harbin Institute of Technology(哈尔滨工业大学)
在本文中,我们介绍了CTC 2021的概述,这是一个针对母语人士的中文文本纠正任务。我们详细描述了任务定义以及用于训练和评估的数据。我们还总结了这项任务的参与者调查的方法。我们希望为这项任务收集和注释的数据集可以促进和加快这一研究领域的未来发展。因此,伪训练数据、黄金标准验证数据和整个排行榜可在https://destwang.github.io/CTC2021-explorer/在线公开获得。
2022-08-11 cs.CL
Native Design Bias: Studying the Impact of English Nativeness on Language Model Performance
Research Centre for Information Systems Engineering (LIRIS), KU Leuven(信息系统工程研究中心(LIRIS),库勒文大学);IESEG School of Management(IESEG管理学院);Department of Decision Analytics and Risk, University of Southampton(决策分析与风险系,南安普顿大学)
本研究探讨英语母语身份对LLM响应质量的影响,发现非英语母语者及非西方国家英语母语者从LLMs获得的响应质量更低,且模型识别用户母语身份时会产生锚定效应进一步降低响应质量,为LLM的公平性研究提供了新视角。
2025-11-18 cs.CL
See what I'm saying? Comparing Intelligent Personal Assistant use for Native and Non-Native Language Speakers
University College Dublin(都柏林大学学院);Swansea University(斯旺西大学)
智能个人助理(IPAs)的语言覆盖范围有限,这意味着许多人使用非母语进行交互。然而,我们对投资促进机构目前如何支持或阻碍这些用户知之甚少。通过母语(L1)和非母语(L2)英语使用者在智能手机和智能扬声器上与Google Assistant互动,我们的目标是更深入地了解这一点。采访显示,L2扬声器优先考虑话语规划周围感知语言的限制,而不是L1扬声器优先考虑简洁,因为系统的限制。第二语言使用者认为投资促进者对语言需求不敏感,导致互动失败。L2发言者显然更喜欢使用智能手机,因为视觉反馈支持沟通故障的诊断,同时允许时间处理查询结果。相反,L1扬声器更喜欢智能扬声器,音频反馈被认为是足够的。我们讨论了为L2用户量身定制IPA体验的必要性,强调视觉反馈,同时减少语言生产的负担。
2020-06-11 cs.CL cs.HC
Native Language Cognate Effects on Second Language Lexical Choice
University of Haifa(海法大学);IBM Research(IBM研究院);Carnegie Mellon University(卡内基梅隆大学)
我们提出了一个计算分析同源效应的自发语言生产先进的非母语人士。通过引入一个由非英语母语者组成的大型语料库,并使用一组精心挑选的词汇,我们发现非英语母语者的词汇选择受到其母语中同源词的影响。这种影响是如此强大,我们能够重建的印欧语系的系统发育语言树,仅从频率的特定词汇在英语中的作者与各种母语。我们定量分析了非本族语者的词汇选择,强调了同源促进作用是塑造非本族语者语言的重要现象之一。
2018-05-24 cs.CL
Mental Workload and Language Production in Non-Native Speaker IPA Interaction
University College Dublin(都柏林大学学院);Swansea University(斯旺西大学)
通过智能手机和智能扬声器的普及,智能个人助理(IPA)已经使语音成为一种常见的交互方式。然而,由于语言覆盖面和不同程度的功能,许多发言者使用非母语与投资促进机构打交道。这可能会影响非母语人士的心理负荷和语言产出模式。我们提出了一个混合设计的实验,其中母语(L1)和非母语(L2)的英语使用者通过智能手机和智能扬声器完成任务的IPA。我们发现,在IPA的互动过程中,L2扬声器显着更高的心理负荷。与我们的假设相反,我们发现母语者和二语者在遇到错误时的话轮数、词汇复杂性、多样性或词汇适应性方面没有显著差异。这些研究结果进行了讨论,在IPA互动的语言生产和处理负荷增加的L2扬声器。
2020-06-11 cs.CL cs.HC
Learning to Write Rationally: How Information Is Distributed in Non-Native Speakers' Essays
College of Information Sciences and Technology(信息科学与技术学院);Center for Language Science(语言科学中心);The Pennsylvania State University(宾夕法尼亚州立大学)
本研究通过分析不同母语背景的二语学习者的论文,发现较高L2熟练度能降低语言产出的预期不确定性,但信息分布的均匀性在L2写作中具有普遍性,受L1背景和L2熟练度影响较小。
2024-11-05 cs.CL
I can tell whether you are a Native Hawlêri Speaker! How ANN, CNN, and RNN perform in NLI-Native Language Identification
University of Kurdistan Hewlêr(库尔德斯坦休勒大学)
本研究通过ANN、CNN和RNN模型评估了Hewlêri亚方言的NLI性能,发现RNN在5秒音频分割中准确率高达95.92%。
2026-02-11 cs.CL
Neural Machine Translation of Text from Non-Native Speakers
University of Notre Dame(圣母大学)
神经机器翻译(NMT)系统在面对噪声数据时会降级,特别是当系统仅在干净数据上训练时。在本文中,我们表明,增加训练数据的句子包含人工引入的语法错误,可以使系统更强大的错误。结合自动语法错误纠正系统,我们可以恢复1.5 BLEU出2.4 BLEU由于语法错误丢失。我们还提出了一套西班牙语翻译的JFLEG语法纠错语料库,它允许测试NMT鲁棒性真正的语法错误。
2019-03-11 cs.CL
NaSGEC: a Multi-Domain Chinese Grammatical Error Correction Dataset from Native Speaker Texts
Soochow University(苏州大学);DAMO Academy(达摩院);Alibaba Group(阿里巴巴集团)
本文提出多领域中文语法纠错数据集 NaSGEC,标注了社交媒体、科学写作和考试三个母语领域的12,500个句子,并提供基准结果与跨领域分析,以推动跨领域GEC研究。
2023-05-25 cs.CL
The Polish Vocabulary Size Test: A Novel Adaptive Test for Receptive Vocabulary Assessment
University of Warsaw(华沙大学)
本文提出基于项目反应理论与计算机化自适应测试的 PVST,用于评估波兰语母语及非母语者的接受性词汇量,并通过1,475人试点研究验证其区分度与年龄相关性。
2025-07-26 cs.CL
A phonetic model of non-native spoken word processing
School of Informatics(信息学院);University of Edinburgh(爱丁堡大学);E&E Engineering(电气与电子工程学院);Stellenbosch University(斯泰伦博斯大学);University of Maryland(马里兰大学)
非母语者在口语字处理方面表现出困难。许多研究将这些困难归因于词汇记忆中单词的不精确语音编码。我们测试了一个替代假设:这些困难中的一些可能来自非母语人士的语音感知。我们训练一个语音学习的计算模型,这个模型不涉及语音学,只涉及一种或两种语言。我们首先表明,该模型表现出可预测的行为,在语音水平和单词水平的歧视任务。然后,我们测试的模型上的口语字处理任务,表明语音可能是没有必要解释的一些字处理效果在非母语人士。我们对模型的词汇表示空间进行了额外的分析,结果表明两种训练语言在该空间中并没有完全分离,这与双语人类说话者的语言类似。
2021-03-11 cs.CL
An Investigation of Indian Native Language Phonemic Influences on L2 English Pronunciations
Indian Institute of Science(印度科学学院)
语音系统对口音变化很敏感。这在印度尤其具有挑战性,印度有丰富的语言,但缺乏对发音变化的语言学研究。在印度,越来越多的L2英语使用者加强了学习口音和L1-L2互动的必要性。我们调查了印度英语(IE)的口音,并详细报告了我们的观察结果,包括所有地区的具体和共同点。特别是,我们观察到的音素变化和音位发生在扬声器的母语,并将其应用到他们的英语发音。我们证明了18个印度语言对IE的影响,通过比较母语发音与IE发音共同获得现有的文献研究和语音注释的80发言人。因此,我们能够验证印度语言的影响,在IE发音的直觉,通过证明发音规则从印度语言音系学的角度。我们得到了全面的描述,在通用和区域特定的特点,IE,这有利于口音转换和适应现有的ASR和TTS系统,以不同的印度口音。
2022-12-19 cs.CL
Non-native Speaker Verification for Spoken Language Assessment
University of Cambridge(剑桥大学)
自动口语评估系统正变得越来越流行,以处理日益增长的兴趣在第二语言学习。这些系统面临的一个挑战是检测渎职行为。舞弊可以采取多种形式,本文着重于检测当一个候选人试图模仿另一个在口语测试。这种形式的弊端与说话人确认密切相关,但适用于口语评估这一特定领域。高级说话人验证系统利用深度学习方法提取说话人表示,已成功应用于一系列母语验证任务。本文针对非母语英语口语数据对这些系统进行了探索。用于演讲者注册和验证的数据主要来自BULATS测试,该测试评估商业英语语言技能。系统的性能训练相对有限的BULATS数据,和标准的大型扬声器验证语料库,进行了比较。在具有数百万次试验的大规模测试集上的实验结果表明,通过使导入的模型适应非原生数据,可以实现最佳性能。分析了不同第一语言(L1)和年级的冒名顶替者试验,这表明L1之间的冒名顶替者对说话人确认系统更具挑战性。
2019-09-30 cs.CL cs.SD eess.AS
Using eye tracking to investigate what native Chinese speakers notice about linguistic landscape images
Wuhan University(武汉大学);School of Chinese Language and Literature(中国语言文学学院)
本文利用眼动追踪考察汉语母语者观看语言景观图像时的注意特征,发现其在注视时间和次数上均高于一般景观,并归因于语言景观更高的信息密度。
2024-07-02 cs.CL q-bio.QM
Tuiteamos o pongamos un tuit? Investigating the Social Constraints of Loanword Integration in Spanish Social Media
University of Michigan(密歇根大学);Georgia Institute of Technology(佐治亚理工学院);Google Research(谷歌研究院)
非英语语言的使用者经常从英语中借用外来词来表达新的或不寻常的概念。虽然这些外来词可以原封不动地借用,但说话者也可以整合这些词以适应其母语的限制,例如从英语“tweet”创建西班牙语“tuitear”。“语言学家通常认为外来词整合的过程更多地依赖于语言内部的限制,但社会语言学的限制,如说话人的背景,仍然只是定性的理解。我们调查的作用,社会背景和扬声器的背景在西班牙语使用的综合借词在社交媒体上。我们首先发现,报纸作者比社交媒体作者更频繁地使用外来词和本地词的整合形式,这表明整合与正式领域有关。在社交媒体中,我们发现说话者的背景和对正式的期望解释了外来词和本地词的整合,这样,使用更多西班牙语和向更广泛的受众写作的作者往往更频繁地使用整合的动词形式。本研究表明,外来词整合不仅反映了语言内部的限制,但也不同的会话和扬声器的社会期望。
2021-01-16 cs.CL
Perception of Personality and Naturalness through Dialogues by Native Speakers of American English and Arabic
Carnegie Mellon University(卡内基梅隆大学)
人格特质的语言标记已被广泛研究,但很少有跨文化研究存在。在本文中,我们评估了美国英语和阿拉伯语的母语者如何感知英语话语的个性特征和自然性,这些话语沿着冗长,模糊,词汇和句法对齐以及正式等维度变化。的话语内的对话片段,作为文本转录呈现给亚马逊的机械Turk.Results的研究结果表明,所有四个维度可以被用来作为所有的人格特质的语言标记的语言社区。进一步的比较分析显示,跨文化差异的一些组合的措施的性格特征和自然性,语言变异和对话行为的维度。
2011-05-23 cs.CL cs.RO
CSCD-NS: a Chinese Spelling Check Dataset for Native Speakers
WeChat AI, Tencent Inc.(腾讯微信人工智能部门)
本文提出CSCD-NS,首个面向母语者的中文拼写检查数据集,含4万样本,规模为现有数据集的十倍,并引入输入法模拟方法生成高质量伪数据,发现生成式模型因长度和发音约束而逊于BERT类模型。
2024-05-23 cs.AI cs.CL
A Pilot Study of Applying Sequence-to-Sequence Voice Conversion to Evaluate the Intelligibility of L2 Speech Using a Native Speaker's Shadowings
Graduate School of Engineering, The University of Tokyo(东京大学工学系研究科)
本文通过序列到序列语音转换技术构建虚拟跟读系统,模拟母语者对二语语音的跟读行为,以细粒度反馈帮助二语学习者检测和诊断发音及韵律问题,实验验证了该方法的可行性。
2024-10-03 cs.CL cs.SD eess.AS
Non-native children speech recognition through transfer learning
Center for Information and Communication Technology(信息与通信技术中心);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
这项工作涉及非母语儿童的语音,并调查多任务和迁移学习方法,以适应多语言深度神经网络(DNN)的扬声器,特别是儿童,学习外语。应用场景的特点是年轻学生学习英语和德语,并阅读这些第二语言以及母语的句子。本文分析和讨论了从儿童母语开始训练有效的基于DNN的声学模型并使用有限的非母语音频材料进行适配的技术。采用多语言模型作为基线,其中根据国际音标(IPA)的单位定义的公共语音词典在三种语言(意大利语,德语和英语)之间共享;基于迁移学习的DNN自适应方法在重要的非母语评估集上进行评估。结果表明,由此产生的非母语模型允许一个显着的改善,相对于单语言系统适应的目标语言的扬声器。
2018-09-25 cs.CL
Accent conversion using discrete units with parallel data synthesized from controllable accented TTS
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本研究提出一种基于离散单元的多口音转换模型,以母语语音自监督聚类得到的离散单元为中间目标,结合多说话人TTS还原母语口音,还提出高效数据增强法降低非母语数据需求,可在保留说话人身份的同时将多种非母语音色转为母语口音、提升流利度。
2024-09-30 cs.CL cs.SD eess.AS
DaKultur: Evaluating the Cultural Awareness of Language Models for Danish with Native Speakers
IT University of Copenhagen(哥本哈根信息技术大学);Aalborg University(奥尔堡大学);Pioneer Center for Artificial Intelligence(先锋人工智能中心)
本文通过63名丹麦母语者对1,038次互动的评估,首次研究了LLM在丹麦语上的文化意识,发现自动翻译数据不足以衡量文化适应,而基于母语者数据训练可使回复接受率提升一倍以上,并发布了首个母语丹麦语文化意识数据集DaKultur。
2025-04-03 cs.CL cs.CY cs.HC
Examining Scientific Writing Styles from the Perspective of Linguistic Complexity
Nanjing University of Science and Technology(南京理工大学);Indiana University(印第安纳大学);Nanjing University(南京大学);Wuhan University(武汉大学);University of Illinois(伊利诺伊大学)
在高影响力的英语期刊上发表文章对世界各地的学者来说都很困难,特别是对于非英语母语的学者(NNEs)来说,他们中的大多数人都在努力提高英语水平。为了揭示母语为英语的学者(NES)和NES之间英语科学写作的差异,我们收集了一个大规模的数据集,包含2006年至2015年期间发表在PLoS上的15万多篇全文文章。根据Ethnea的数据,我们将这些论文按照第一作者和通讯作者的民族背景分为三组,并从语言复杂性的两个方面考察了英语科技写作风格:(1)句法复杂性,包括句子长度和句子复杂性的测量;(2)词汇复杂度,包括词汇多样性、词汇密度和词汇复杂度。观察结果表明,在句法和词汇复杂性组之间的边际差异。
2018-09-13 cs.CL
Frequency-centroid features for word recognition of non-native English speakers
University College Dublin(都柏林大学学院);ADAPT SFI Research Centre(ADAPT SFI研究中心)
这项工作的目的是调查互补功能,可以帮助典型的梅尔频率倒谱系数(MFCC)的封闭的,有限的一套字识别的任务,非英语母语的不同母语。与从语音信号的频谱能量导出的MFCC不同,所提出的频率质心(FC)封装语音频谱的不同频带的频谱中心,其中频带由Mel滤波器组定义。这些功能,与MFCC相结合,观察到提供相对的性能改善,在英语单词识别,特别是在不同的噪声条件下。使用两阶段卷积神经网络(CNN)对带有阿拉伯语、法语和西班牙语口音的英语单词进行特征建模。
2022-06-14 cs.CL cs.SD eess.AS
Language-agnostic, automated assessment of listeners' speech recall using large language models
Rotman Research Institute, Baycrest Academy for Research and Education(罗特曼研究所,贝克雷斯特研究与教育学院);University of Toronto(多伦多大学)
本研究利用大型语言模型自动化生成多语言口语故事并评分言语回忆,克服了传统言语测试的局限,为自然主义言语理解评估提供了临床适用的自动化方案。
2025-03-02 cs.CL
Non-native English lexicon creation for bilingual speech synthesis
Zapr Media Labs (Red Brick Lane Marketing Solutions Pvt. Ltd.)(Zapr媒体实验室(红砖巷营销解决方案私人有限公司))
双语英语者把英语作为他们的语言之一。他们的英语是一种非母语的,他们的谈话是一种代码混合的方式。双语文本到语音(TTS)系统的可理解性,这样的非英语母语的人依赖于一个词汇,捕捉非母语的人使用的音素序列。然而,由于缺乏非母语英语词汇,现有的双语TTS系统采用母语英语词汇,广泛使用,除了他们的母语词汇。由于音频中的非母语英语发音和文本中的母语英语词汇之间的不一致,在这种TTS系统中合成语音的可懂度显著降低。本论文的研究动机是:说话者的母语对非母语英语发音有很大的影响。我们提出了一个通用的方法来获得规则的基础上,字母音素对齐映射母语英语词汇到他们的非母语版本。这种映射的有效性进行了研究,通过比较双语(印度英语和印地语)TTS系统训练和不建议的规则。主观评价表明,与建议的非母语英语词汇规则训练的双语TTS系统获得了6%的绝对改善的偏好。
2021-06-21 cs.CL cs.SD eess.AS
Imperfect Language, Artificial Intelligence, and the Human Mind: An Interdisciplinary Approach to Linguistic Errors in Native Spanish Speakers
University of Navarra(纳瓦拉大学)
本项目跨学科研究西班牙语母语者语言错误,通过构建真实错误语料库测试GPT等大模型,评估其解释与泛化能力,以揭示语言认知机制并推动更具认知启发的NLP系统发展。
2025-11-03 cs.AI cs.CL
Amélioration des Performances des Systèmes Automatiques de Reconnaissance de la Parole pour la Parole Non Native
Laboratoire Lorrain de Recherche en Informatique et ses Applications(洛林计算机及其应用研究实验室);Université Nancy II(南锡第二大学);Université Henry Poincaré, Nancy 1(亨利·庞加莱大学(南锡第一大学))
在这篇文章中,我们提出了一种非本地自动语音识别(ASR)的方法。我们提出了两种方法来适应现有的ASR系统的非本地口音。第一种方法是基于通过集成来自母钳的声学模型来修改声学模型。目标语言的音素以与说话者的母语相似的方式发音。我们建议结合混淆音素的模型,使ASR系统可以识别两个并发的发音。我们提出的第二种方法是一个细化的发音错误检测,通过引入字形约束。事实上,非母语人士可能会依赖于他们说话时的文字。因此,发音错误可能取决于组成单词的字符。我们观察到的平均出错率降低对于句子出错率是(22.5%)相对的,并且对于单词出错率是34.5%(相对的)。
2007-11-07 cs.CL
Characterizing the Influence of Features on Reading Difficulty Estimation for Non-native Readers
Academia Sinica(中央研究院);National Taiwan University(国立台湾大学)
近年来,将英语作为第二语言(ESL)学习的人数已经超过了以英语为母语的人数。最近的工作已经证明了基于阅读难度提供个性化内容的成功,例如信息检索和摘要。然而,几乎所有先前的阅读困难的研究是专为母语者,而不是非母语读者。在这项研究中,我们调查了ESL读者的各种特征,通过进行线性回归来估计英语语言源的阅读水平。这种估计不仅基于词汇和句法特征的复杂性,而且还基于几个新的概念,包括从几个来源获得的单词和语法的年龄,WordNet的词义以及句子之间的隐含关系。通过使用贝叶斯信息准则(BIC)来选择最优模型,我们发现单词数量、单词获取年龄和句法分析树高度的组合比其他竞争模型产生更好的结果。因此,我们的研究结果表明,建议的第二语言阅读难度估计优于其他第一语言阅读难度估计。
2018-08-29 cs.CL
A study on native American English speech recognition by Indian listeners with varying word familiarity level
Indian Institute of Science (IISc)(印度科学学院);IIIT Hyderabad(印度海得拉巴国际信息技术学院)
在这项研究中,不同的印度裔的听众被要求听和识别TIMIT的美国人所说的话语。我们有三种反应,从每个听众,而他们认识到一个发言:1。句子难度评分,2。演讲者难度等级,和3。话语的转录。从这些译文中计算出单词错误率(WER),并将其作为衡量识别句子与原始句子之间相似性的一个指标,根据单词在句子中出现的频率将所选句子分为三组:易、中、难。我们观察到,句子,扬声器难度等级和WERs增加从容易到难的句子类别。我们还比较了人类语音识别性能与使用三种自动语音识别(ASR)在以下三种声学模型(AM)和语言模型(LM)组合下的性能:ASR 1)使用来自印度裔说话者的录音训练AM,并在TIMIT文本上构建LM,ASR 2)使用来自美国本土说话者的录音训练AM,并在来自LIBRI语音语料库的文本上构建LM,和ASR 3)AM使用来自美国本土说话者的录音,LM建立在LIBRI语音和TIMIT文本上。我们观察到,HSR的性能类似于ASR1,而ASR3实现了最佳性能。发言者出生明智的分析表明,发言者的一些出生是更难以识别的印度听众相比,其他一些出生
2021-12-08 cs.CL cs.SD eess.AS
Human-LLM Alignment in Language Attitudes Toward Non-Native Japanese
该研究对比人类与LLM对母语及非母语日语邮件的评价,发现LLM以结构化弱化形式重现母语者的语言态度,为审计LLM提供了可推广的语言态度框架。
2026-10-27 cs.CL
Using Data Augmentations and VTLN to Reduce Bias in Dutch End-to-End Speech Recognition Systems
Delft University of Technology(代尔夫特理工大学)
本文针对荷兰语端到端语音识别中不同年龄群体和非母语者的偏差问题,结合速度扰动、频谱增强与VTLN,使平均WER和偏差分别降低6.9%和3.9%,并验证了VTLN跨语言泛化能力。
2023-07-05 cs.CL
QALD-9-plus: A Multilingual Dataset for Question Answering over DBpedia and Wikidata Translated by Native Speakers
Anhalt University of Applied Sciences(安哈尔特应用科学大学);Laboratoire Hubert Curien CNRS UMR 5516 Université de Lyon(里昂大学于贝尔·居里安实验室(CNRS UMR 5516));University of Hamburg(汉堡大学)
不同用户组具有相同体验的能力(即,可访问性)是基于Web的系统的最重要的特征之一。对于通过自然语言接口提供对语义Web数据的访问的知识图谱问答(KGQA)系统也是如此。在遵循我们关于KGQA系统可访问性的多语言方面的研究议程的同时,我们确定了几个持续的挑战。其中之一是缺乏多语言KGQA基准。在这项工作中,我们扩展了最流行的KGQA基准之一- QALD-9,通过引入高质量的问题翻译到母语人士提供的8种语言,并将QALD-9的SPARQL查询从DBpedia转移到Wikidata,s.t.,数据集的可用性和相关性大大增加。其中五种语言-亚美尼亚语,乌克兰语,立陶宛语,巴什基尔语和白俄罗斯语-据我们所知,KGQA研究界以前从未考虑过。后两种语言被联合国教科文组织列为“濒危”语言。我们将扩展数据集称为QALD-9-plus,并在https://github.com/Perevalov/qald_9_plus上提供。
2022-02-07 cs.CL cs.IR
Script Normalization for Unconventional Writing of Under-Resourced Languages in Bilingual Communities
George Mason University(乔治梅森大学)
本文研究双语社区中资源匮乏语言使用波斯-阿拉伯文字书写时的文字规范化问题,通过合成噪声数据和Transformer模型有效解决该问题,并证明其能提升机器翻译和语言识别等下游任务性能。
2023-05-25 cs.CL
WordDecipher: Enhancing Digital Workspace Communication with Explainable AI for Non-native English Speakers
University of Maryland(马里兰大学)
本文提出可解释AI写作工具WordDecipher,结合LLM与词嵌入识别社交意图、生成贴合意图的改写建议并解释表达差异,以帮助非英语母语者改善职场文本沟通。
2024-04-10 cs.AI cs.CL cs.HC
Native Language Identification on Text and Speech
University of Wolverhampton(伍尔弗汉普顿大学);University of Bucharest(布加勒斯特大学)
本文提出了一个集成系统相结合的输出多个SVM分类器的母语识别(NLI)。该系统被提交给NLI共享任务2017融合轨道,其中包括学生论文和11种母语的非英语母语者的音频transmittance和iVectors形式的口语回答。我们的系统以ZCD团队的名义参加了挑战赛,并且基于在字符n-gram上训练的SVM分类器的集合,实现了83.58%的准确率,并在共享任务中排名第三。
2017-07-22 cs.CL
You don't understand me!: Comparing ASR results for L1 and L2 speakers of Swedish
KTH Royal Institute of Technology(皇家理工学院);Heriot-Watt University(赫瑞瓦特大学)
本研究比较了不同ASR服务对瑞典语母语者和非母语者朗读及自发语音的识别性能,使用词错误率量化差距,并分析导致转录错误的语言因素,以揭示ASR在非典型说话者场景下的局限性。
2024-05-22 cs.CL cs.SD eess.AS
Accurate but Natural? Diagnosing Grammatical and Idiomatic Gaps in Japanese EFL Writing
Kyoto University(京都大学);Ritsumeikan University(立命馆大学)
本研究提出分层LLM修正流水线,结合CEFR-J语法提取器,诊断日本初中生英语写作的语法准确性与习语性差距,为个性化教学反馈提供循证支持。
2026-08-25 cs.CL
CueBuddy: helping non-native English speakers navigate English-centric STEM education
本文提出 CueBuddy,通过技术关键词检测与实时多语言术语表查询提供词汇提示,帮助非英语母语 STEM 学生理解英语术语。
2025-07-24 cs.CL cs.LG
Predicting Native Language from Gaze
MIT(麻省理工学院)
语言学习中的一个基本问题是关于一个人的第一语言在第二语言习得中的作用。我们提出了一种新的研究方法:分析第二语言自由文本阅读中的眼动模式。使用这种方法,我们证明了第一次,英语学习者的母语可以预测,从他们的凝视时,阅读英语。我们提供了分类器的不确定性和学习功能的分析,这表明在英语阅读的差异很可能是植根于跨母语的语言差异。所提出的框架补充了生产研究,并为推进多语制研究提供了新的基础。
2017-05-02 cs.CL
Data-Driven Mispronunciation Pattern Discovery for Robust Speech Recognition
Cornell University(康奈尔大学);NAVER Cloud Corporation(NAVER云公司)
本文提出两种数据驱动方法,利用语音语料库和注意力映射自动检测非母语者发音错误模式,在母语和非母语英语语音识别上分别提升5.7%和12.8%,增强了ASR系统在缺乏先验语言知识场景下的鲁棒性。
2025-02-01 cs.CL cs.SD eess.AS
PHONOS: PHOnetic Neutralization for Online Streaming Applications
Department of Computer Science \& Engineering, Texas A\&M University, College Station, US
PHONOS通过预生成的黄金说话者语音和因果音调翻译器,实现非母语口音的中性化,减少非母语口音的置信度并降低说话者可追溯性,同时保持低延迟。
2026-09-24 cs.CL cs.LG eess.AS
Towards Digital Preservation of Efik: TTS for a Low-Resource African Language
University of Cross River State(克罗斯河州大学);University of Calabar(卡拉巴尔大学);ML Collective(机器学习团队)
针对埃菲克语这一低资源非洲语言,开展首个端到端文本转语音研究,构建语料库并评估四种神经模型,母语者进行评价,得出相关结果并强调需求。
2026-07-07 cs.CL
A Language Model for Grammatical Error Correction in L2 Russian
HSE University(高等经济大学)
本文针对现有俄语拼写检查器难以处理第二语言写作错误的问题,提出一种基于俄罗斯国家语料库报纸子语料库训练的语言模型流水线,并在RULEC-GEC语料库上验证其纠错质量。
2023-07-04 cs.CL
Improving Cross-lingual Speech Synthesis with Triplet Training Scheme
Ximalaya Inc.(喜马拉雅公司)
跨语言文本到语音(TTS)的最新进展使单语者合成外语语音成为可能。然而,生成的跨语言语音的发音与本族语者的发音在自然度和可懂度方面仍有很大的差距。在本文中,提出了一种三元组训练方案,以提高跨语言的发音,允许以前看不见的内容和扬声器组合,以在训练过程中看到。所提出的方法引入了一个额外的微调阶段,在训练过程中的三重损失,这有效地绘制了合成的外国语音的发音更接近那些从本地锚扬声器,同时保留非本地扬声器的音色。实验进行了最先进的基线跨语言的TTS系统及其增强的变种的基础上。所有的客观和主观评价表明,该方法带来了显着的改善,在可懂度和自然度的合成跨语言的语音。
2022-02-22 cs.CL cs.SD eess.AS
Personas Differ from Native-Language Generation: Language Pathways Shape LLM Interpersonal Advice
Massachusetts Institute of Technology(麻省理工学院)
该研究对比了母语使用者角色设定(NP)与目标语言生成后翻译(NL)两种跨语言引出策略对LLM人际建议的影响,发现二者不可互换,NP会改变建议的风格、可操作性及动作选择。
2026-09-01 cs.AI cs.CL
The syntax-lexicon tradeoff in writing
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
当说话者把他们的想法变成句子时,他们在单词的复杂性和句法之间保持平衡。然而,目前还不清楚这种句法-词汇的权衡是否是在快速在线处理的压力下口语产生所特有的。另一种可能是,这种权衡是语言的一个基本属性,与产生的方式无关。这项工作评估了三个不同主题的书面语言的神经典型的个人的单词和句法规则的复杂性之间的关系。我们发现,类似于说,在写作中构建句子涉及词汇和句法项目的复杂性之间的权衡。我们还表明,在写作过程中减少在线处理的需求,允许检索更复杂的单词,在成本上纳入更简单的语法。这项工作进一步强调了句子成分的可及性作为句法-词汇权衡出现的驱动力的作用。
2022-06-24 cs.CL
Multi-task Learning for Chinese Word Usage Errors Detection
SUN YAT-SEN UNIVERSITY(中山大学)
非母语汉语学习者在写作中经常出现词语使用错误。对于非母语汉语学习者在学习写作时自动检测它们非常有帮助。本文提出了一种新的方法,该方法利用不同的辅助任务,如POS标记预测和词日志频率预测,以帮助中文词使用错误检测的任务。在这些辅助任务的帮助下,我们在HSK语料库数据上取得了最先进的性能结果,而没有任何其他额外的数据。
2019-04-03 cs.CL
GPT detectors are biased against non-native English writers
Stanford University(斯坦福大学)
研究评估常用GPT检测器对英语母语与非母语写作者样本的表现,发现其系统性误判非母语文本为AI生成,并揭示简单提示既可缓解偏见也可绕过检测。
2023-07-10 cs.AI cs.CL cs.HC
Improving Accent Conversion with Reference Encoder and End-To-End Text-To-Speech
Xinjiang University(新疆大学);Bytedance AI LAB(字节跳动人工智能实验室)
口音转换(AC)将非母语者的口音转换为母语者的口音,同时保持说话者的声音音色。在本文中,我们提出的方法来提高口音转换的适用性,以及质量。首先,我们假设在转换阶段没有参考语音可用,因此我们采用了一个端到端的文本到语音系统,该系统在母语上进行训练以生成母语参考语音。为了提高转换语音的质量和口音,我们引入了参考编码器,使我们能够利用多源信息。这是由从本地参考和语言信息中提取的声学特征激发的,这些声学特征与传统的语音后验图(PPG)互补,因此它们可以被连接为特征以改进仅基于PPG的基线系统。此外,我们使用基于GMM的注意力而不是窗口注意力来优化模型结构,以提高综合性能。实验结果表明,当所提出的技术被应用时,集成系统显着提高了声学质量(30 $\%$平均意见分数相对增加)和本地口音(68 $\%$相对偏好)的分数,同时保留了非母语说话人的语音身份。
2020-05-19 cs.CL cs.SD eess.AS
Rethinking Annotation: Can Language Learners Contribute?
KAIST(韩国科学技术院);University of Minnesota(明尼苏达大学)
本文通过实验证明,中高级语言学习者在词典和机器翻译辅助下能为NLP基准数据集提供较准确标注,且标注过程可提升其语言能力,从而为难以招募母语者的语言开辟了构建基准数据集的新途径。
2023-05-29 cs.CL
Text revision in Scientific Writing Assistance: An Overview
Nantes Université(南特大学);École Centrale Nantes(南特中央理工学院);CNRS(法国国家科学研究中心);LS2N(南特数字科学实验室)
本文综述科学写作辅助中的文本修订,梳理科学论文的格式与惯例、现有修订工具类型及其从规则方法到深度神经网络的技术演进,并指出可访问性、上下文建模和语篇信息利用等挑战。
2023-03-29 cs.CL
Do We Need Neural Models to Explain Human Judgments of Acceptability?
Beijing International Studies University(北京第二外国语学院);Penn State(宾夕法尼亚州立大学);Google Research(谷歌研究院)
母语使用者可以判断一个句子是否是他们语言的可接受实例。可接受性提供了一种评估计算语言模型是否以类似人类的方式处理语言的方法。我们测试的能力计算语言模型,简单的语言功能,和词嵌入,以预测母语为英语的人的判断的可接受性的非母语人士写的英语文章。我们发现,句子的可接受性方差可以捕获的组合功能,包括拼写错误,词序,单词相似性(皮尔逊的r = 0.494)。虽然预测神经模型很好地拟合了可接受性判断(r = 0.527),但我们发现具有统计平滑的4-gram模型同样好(r = 0.528)。由于纳入了拼写错误的计数,我们的4克模型超越了之前的无监督最先进的模型(Lau等人,2015年; r = 0.472)和平均非专家母语者(r = 0.46)。我们的研究结果表明,可接受性是很好地捕捉的n元统计和简单的语言功能。
2019-10-09 cs.AI cs.CL cs.LG
speechocean762: An Open-Source Non-native English Speech Corpus For Pronunciation Assessment
Xiaomi Corporation(小米公司);SpeechOcean Ltd.(海天瑞声科技股份有限公司)
本文介绍了一个名为“speechocean 762”的新开源语音语料库,旨在用于发音评估,由来自250名非母语人士的5000句英语话语组成,其中一半的说话者是儿童。五位专家分别从词、词和音素三个层面对每一段话语进行了注释。一个基线系统是在开放源代码中发布的,以说明在这个语料库上的音素级发音评估工作流程。本语料库允许自由用于商业和非商业目的。它可以从OpenSLR免费下载,相应的基线系统发布在Kaldi语音识别工具包中。
2021-06-02 cs.CL cs.SD eess.AS
Estimating the Level of Dialectness Predicts Interannotator Agreement in Multi-dialect Arabic Datasets
Institute for Language, Cognition and Computation(语言、认知与计算研究所);School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
本文研究多方言阿拉伯语数据标注中ALDi得分与标注者一致性的关系,在15个公开数据集上验证了高ALDi样本更难标注的假设,并提出应优先将高ALDi样本路由给对应方言母语者以提升标注质量。
2024-06-06 cs.AI cs.CL