論文の概要: Fifteen Years of Child-Centered Long-Form Recordings: Promises, Resources, and Remaining Challenges to Validity

• arxiv url: http://arxiv.org/abs/2506.11075v1
• Date: Wed, 04 Jun 2025 01:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.551993
• Title: Fifteen Years of Child-Centered Long-Form Recordings: Promises, Resources, and Remaining Challenges to Validity
• Title（参考訳）: 子供中心の長期録音の15年 : 約束,資源,そして継続する検証への挑戦
• Authors: Loann Peurey, Marvin Lavechin, Tarek Kunze, Manel Khentout, Lucas Gautheron, Emmanuel Dupoux, Alejandrina Cristia,
• Abstract要約: 本稿では,子育て装置で収集した長文音声録音の集合的知識について要約する。 自動アノテーションの精度と結果のメトリクスの解釈を脅かす様々なエラー源を強調した。 完全自動化された品質管理システムは実現不可能であるが、研究者がデータ収集を改善し、分析を文脈化するための実践的戦略を概説する。
• 参考スコア（独自算出の注目度）: 45.769002580424896
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Audio-recordings collected with a child-worn device are a fundamental tool in child language research. Long-form recordings collected over whole days promise to capture children's input and production with minimal observer bias, and therefore high validity. The sheer volume of resulting data necessitates automated analysis to extract relevant metrics for researchers and clinicians. This paper summarizes collective knowledge on this technique, providing entry points to existing resources. We also highlight various sources of error that threaten the accuracy of automated annotations and the interpretation of resulting metrics. To address this, we propose potential troubleshooting metrics to help users assess data quality. While a fully automated quality control system is not feasible, we outline practical strategies for researchers to improve data collection and contextualize their analyses.
• Abstract（参考訳）: 子供用デバイスで収集した音声録音は、児童言語研究の基本的なツールである。 全日にわたって収集された長期記録は、子供の入力と生産を最小限のオブザーバーバイアスで捉え、その結果高い妥当性を約束する。 結果の膨大な量は、研究者や臨床医が関連するメトリクスを抽出するために自動分析を必要とする。 本稿では,本手法に関する総合的な知識を要約し,既存の資源へのエントリポイントを提供する。 また、自動アノテーションの精度と結果のメトリクスの解釈を脅かす様々なエラー源についても強調する。 そこで本研究では,データ品質を評価するための潜在的なトラブルシューティング指標を提案する。 完全自動化された品質管理システムは実現不可能であるが、研究者がデータ収集を改善し、分析を文脈化するための実践的な戦略を概説する。

関連論文リスト

• Are AI Detectors Good Enough? A Survey on Quality of Datasets With Machine-Generated Texts [0.0]
  AIフラグメントを備えた膨大な数の検出器とコレクションが出現している。 しかし、そのような検出器の品質は野生では劇的に低下する傾向にある。 本稿では,AI生成フラグメントを含むデータセットの品質を評価する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-18T17:59:57Z)
• Long-Span Question-Answering: Automatic Question Generation and QA-System Ranking via Side-by-Side Evaluation [65.16137964758612]
  大規模言語モデルにおける長文文の活用について検討し,本書全体の読解データを作成する。 我々の目的は、長いテキストの詳細な理解を必要とする問題を分析し、理解し、推論するLLMの能力をテストすることである。
  論文  参考訳（メタデータ） (2024-05-31T20:15:10Z)
• Multi-label and Multi-target Sampling of Machine Annotation for Computational Stance Detection [44.90471123149513]
  アノテーションの品質を最適化するために,マルチラベルおよびマルチターゲットサンプリング戦略を導入する。 ベンチマークスタンス検出コーパスの実験結果から,本手法は性能と学習効率を大幅に向上させることができることが示された。
  論文  参考訳（メタデータ） (2023-11-08T06:54:34Z)
• Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
  ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。 自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。 本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
  論文  参考訳（メタデータ） (2023-07-05T20:16:20Z)
• ROSCOE: A Suite of Metrics for Scoring Step-by-Step Reasoning [63.77667876176978]
  大規模言語モデルでは、最終回答を正当化するためにステップバイステップの推論を生成するように促された場合、ダウンストリームタスクの解釈可能性が改善されている。 これらの推論ステップは、モデルの解釈可能性と検証を大幅に改善するが、客観的にそれらの正確性を研究することは困難である。 本稿では、従来のテキスト生成評価指標を改善し拡張する、解釈可能な教師なし自動スコアのスイートであるROSを提案する。
  論文  参考訳（メタデータ） (2022-12-15T15:52:39Z)
• Toward Educator-focused Automated Scoring Systems for Reading and Writing [0.0]
  本稿では,データとラベルの可用性,信頼性と拡張性,ドメインスコアリング,プロンプトとソースの多様性,伝達学習といった課題に対処する。 モデルトレーニングコストを増大させることなく、エッセイの長さを重要な特徴として保持する技術を採用している。
  論文  参考訳（メタデータ） (2021-12-22T15:44:30Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。