Reference

Jochim, M., Kleber, F. (2018). Automatische Phonetische Segmentierung von Dialektdaten: Eine Evaluation. In 44. Österreichische Linguistiktagung (ÖLT).

BibTeX

@inproceedings{jochimAutomatischePhonetischeSegmentierung2018,
  title = {Automatische Phonetische {{Segmentierung}} von {{Dialektdaten}}: Eine {{Evaluation}}},
  booktitle = {44. {{{\"O}sterreichische Linguistiktagung}} ({{{\"O}LT}})},
  author = {Jochim, Markus and Kleber, Felicitas},
  year = {2018},
  address = {Innsbruck},
  abstract = {In vielen phonetischen Forschungsprojekten stellt sich die methodologische Frage, wie die erhobenen Sprachdaten akustisch segmentiert werden sollen. Wie in vielen anderen Fachbereichen auch geht diese Frage verst{\"a}rkt mit der Forderung nach einer Automatisierung des Arbeitsprozesses einher. In dieser Studie vergleichen wir automatisch vs. manuell segmentierte Dialektdaten (Westmittelbairisch); wir zeigen, dass Dialektdaten selbst dann zufriedenstellend mit automatischen Werkzeugen segmentiert werden k{\"o}nnen, wenn das Sprachmodell der {\"u}berdachenden  Standardsprache  Verwendung  finden  muss  --  in  Ermangelung eines spezifisch f{\"u}r den Dialekt trainierten Sprachmodells. Wir zeigen au{\ss}erdem, dass die Qualit{\"a}t automatischer Segmentierung auch f{\"u}r dauerbasierte Forschungsfragen ausreichen kann. Als automatisches Segmentierungswerkzeug dient MAUS [1]. Unser Testkorpus besteht aus 450 gelesenen {\"A}u{\ss}erungen der Form {$<$}Er muss noch Butter kaufen{$>$} (45 S{\"a}tze {$\ast$} 2 Sprechgeschwindigkeiten {$\ast$} 5 Wiederholungen). Die S{\"a}tze wurden 16 Sprecher*innen des  Westmittelbairischen in nicht normierter, lautorientierter Dialektschreibung pr{\"a}sentiert (z. B. {$<$}Ea muas no Butter kaffa{$>$}) und von ihnen gelesen. Damit ergeben sich 7.200 {\"A}u{\ss}erungen, f{\"u}r die wir der automatischen Segmentierung eine manuell durchgef{\"u}hrte Segmentierung gege{\"u}berstellen k{\"o}nnen. Es  zeigt  sich  sowohl  f{\"u}r  die  Dauer  der  akzentuierten  W{\"o}rter  als  auch  f{\"u}r  die Dauer der betonten Vokal-Konsonant-Sequenzen (/Ut/ in Butter) eine {\"a}u{\ss}erst geringe Diskrepanz zwischen automatischer und manueller Methode. Auf diesen Erkenntnissen aufbauend sollen in einem sp{\"a}teren Schritt generalisierbare Zahlen abgeleitet werden, wie gro{\ss} der zu erwartende Fehler einer automatischen Segmentierung ist, und zwar in Abh{\"a}ngigkeit von den jeweiligen Lautklassen. Solche Zahlen sollen eine valide und reliable a priori Einsch{\"a}tzung erlauben, ob eine rein automatisch erstellte Segmentierung f{\"u}r eine gegebene Forschungsfrage  ausreicht.  Erste  Ergebnisse  deuten  darauf  hin,  dass  sogar  dauerbasierte Forschungsfragen mittels einer rein automatischen Segmentierung bearbeitet werden k{\"o}nnen.},
  annotation = {Abstract only}
}