《Speech Communication》：Perception of accent distance by children and adults: Identifying acoustic-phonetic parameters using machine learning
编辑推荐：
在言语感知过程中，听者提取语言信息和社会索引信息。说话者身份的一个显著方面与其口音相关，包括其语言学习状态（第一语言或第二语言学习者——L1或L2）。成人对不熟悉口音的存在和强度高度敏感。儿童也对L2口音的存在敏感，但可能对L1变体之间的差异意识较弱。儿童对口
在言语感知过程中，听者提取语言信息和社会索引信息。说话者身份的一个显著方面与其口音相关，包括其语言学习状态（第一语言或第二语言学习者——L1或L2）。成人对不熟悉口音的存在和强度高度敏感。儿童也对L2口音的存在敏感，但可能对L1变体之间的差异意识较弱。儿童对口音强度的感知受到的关注相对较少。此外，儿童在做出口音判断时所关注的声学-语音线索尚未被明确识别。在此，研究人员通过测试6岁和12岁儿童及成人完成一项阶梯任务来解决这些问题，在该任务中，听者将L1和L2英语说话者相对于本地口音基线进行排序。两组儿童的排序与成人相似。为了解释跨年龄驱动口音排序的说话者依赖和说话者独立刺激因素，研究人员采用了机器学习。语音差异是口音排序的最大贡献因素；语调、节奏、重音、句子长度和复杂性在不同年龄组中也具有相似的贡献。该分析证明了机器学习在识别驱动口音感知的刺激因素方面的潜力。这种方法可用于分离影响L1/L2处理其他方面（包括可懂度、理解力和跨生命周期的听努力）的因素。结果支持了音段差异在感知口音缩放中的首要地位，并阐明了可能从学龄早期开始驱动社会决策的具体音位口音成分。
研究背景：言语感知不仅涉及语言信息的提取，还包括社会索引信息的推断，其中口音是说话者身份的重要特征。成人对第二语言（L2）口音或不熟悉的第一语言（L1）变体高度敏感，并能快速识别说话者的语言学习状态。儿童虽然对L2口音敏感，但对L1变体差异的感知能力发展较晚，且对口音强度的感知研究相对不足。此外，儿童在口音判断中使用的声学-语音线索尚不明确。因此，本研究旨在通过比较6岁、12岁儿童和成人在阶梯任务中对口音距离的感知，并利用机器学习识别驱动口音感知的声学-语音参数，以填补这一研究空白。该研究发表在《Speech Communication》上。
研究方法：研究人员招募了69名听者，包括18名6岁儿童、20名12岁儿童和30名成人（18-35岁），均来自美国印第安纳州布卢明顿及周边社区，为单语美国英语使用者。通过阶梯任务，听者对24名说话者（12名L1和12名L2英语变体说话者，包括新西兰、美国南部、美国中西部、加纳、爱尔兰、牙买加英语以及越南语、希伯来语、广东话、土耳其语、俄语、葡萄牙语口音英语）的6个句子进行排序。主要技术方法包括：声学-语音测量（说话速率、停顿次数、词重音准确性、莱文斯坦距离（Levenshtein distance, LED-A）、基频（F0）欧氏距离、语调的“摆动性”和“空间性”、节奏的归一化配对变异指数（nPVI））、句子长度和复杂性分类，以及机器学习模型（线性回归、弹性网络、随机森林、梯度提升、K近邻）进行预测和特征重要性分析（LASSO回归）。
研究结果：
3.1 混合效应建模：通过线性混合效应回归模型分析，发现口音主效应显著，但年龄和句子主效应不显著。年龄与口音之间存在显著交互作用，但整体排序模式在各年龄组中非常相似：美国口音被排序为最接近基线，不熟悉的L1变体次之，L2变体最远。句子与口音交互作用显著，表明具体句子-口音组合的产出模式驱动了结果。
3.2 机器学习管道——模型选择与超参数调优：比较五种回归模型，梯度提升（Gradient Boosting）表现最佳，测试集均方误差（MSE）为16.607，R2为0.557，优于线性模型和随机森林。模型对6岁儿童的预测准确性低于12岁儿童和成人，表明年幼儿童的反应变异性更大。
3.3 相关分析——预测值与实际距离值：所有模型的预测值与实际口音距离评分之间呈强正相关（r=0.73, p<0.001），其中12岁儿童和成人的相关性高于6岁儿童。不同口音的相关强度从弱到中等不等。
3.4 特征重要性：LASSO回归显示，莱文斯坦距离（Levenshtein distance）是口音距离的最强预测因子（β?=2.51），远超其他因素。其次为F0欧氏距离（β?=0.80）。各年龄组特征重要性略有差异：6岁儿童对重音准确性的敏感性较低。按L1与L2说话者分组分析，莱文斯坦距离对L1说话者的影响更大（β?=2.01 vs. 1.02），L1口音中停顿次数和句子长度更关键，而L2口音中句子长度和复杂性贡献更大。
3.5 结果总结：机器学习分析表明，集成模型（特别是梯度提升）能最好地捕捉声学-语音特征与口音距离感知之间的非线性关系。莱文斯坦距离是主要预测因子，超音段特征（语调、节奏、词重音、说话速率）也有贡献。成人和12岁儿童模式相似，6岁儿童预测准确性较低，但整体特征重要性模式跨年龄组大致相似。
讨论部分总结：行为结果支持先前发现，即学龄前和学龄早期儿童对口音距离敏感，且模式与成人相似。本研究扩展了先前工作，纳入更广泛的L1和L2口音变体，并使用了更长更复杂的句子。尽管年龄组间排序相似，但机器学习分析显示6岁儿童的表现变异性更大，可能源于其音位知识固化程度不足。声学-语音因素分析表明，音段差异（莱文斯坦距离）在口音距离感知中起首要作用，超音段因素（语调、节奏、重音、说话速率）也有显著贡献。这一发现与使用不同方法的研究一致，表明音段因素对口音强度判断的影响可能大于超音段因素。研究结论：“虽然一些早期研究发现儿童难以区分L1变体，但本研究中6岁儿童的整体感知模式与成人一致。因此，儿童对口音强度的敏感性在学龄早期已接近成熟。此外，通过机器学习分析识别出了驱动口音距离感知的声学-语音因素。该分析表明音段差异在口音距离感知中占首要地位，而超音段和句子结构因素（包括语调、节奏、重音、句子长度和复杂性）的贡献较小。这些结果与其他研究一致，表明虽然口音感知的某些方面持续发展到青春期（如词汇识别），但其他有关口音的社会语言技能可能需要较少的经验即可达到成熟。”
