DOI
https://doi.org/10.47689/2181-3701-vol3-iss4-pp1-8Ключевые слова
автоматическое распознавание речи (ASR) , транскрипция речи , корпус , анализ устного дискурса , усвоение второго языкаАннотация
Данное исследование посвящено интеграции технологий автоматического распознавания речи (ASR) в процессы сбора и анализа корпусов устной речи обучающихся, с особым вниманием к контексту изучения английского языка как второго языка (L2). Используя смешанный метод исследования, автор оценивает эффективность ASR-систем — в частности, моделей Whisper и BERT — в обеспечении точной транскрипции и содействии усвоению иностранного языка. Количественные данные подтверждают высокую точность транскрипций, тогда как качественные результаты свидетельствуют о том, что обратная связь, реализованная с помощью ASR, способствует повышению вовлечённости учащихся, улучшению произношения и развитию навыков устной речи. Также рассматриваются технологические ограничения и этические аспекты, связанные с конфиденциальностью данных и способами предоставления обратной связи. В целом, результаты подчёркивают значительный потенциал технологий ASR в трансформации языкового образования за счёт масштабируемой оценки в реальном времени и персонализированной поддержки обучения, при этом акцентируется необходимость их дальнейшего совершенствования и справедливого внедрения в условиях разнообразия обучающихся.
Библиографические ссылки
Nakamura, S., Spring, R., & Sakurai, S. (2024). The impact of ASR-based interactive video activities on speaking skills: Japanese EFL learners’ perceptions. The Electronic Journal for English as a Second Language, 27(4). https://doi.org/10.55593/ej.27108a5
Gladia. (2023, December 19). A review of the best ASR engines and the models powering them in 2024. Gladia Blog. https://www.gladia.io/blog/a-review-of-the-best-asr-engines-and-the-models-powering-them-in-2024
Michot, J., Hürlimann, M., Deriu, J., Sauer, L., Mlynchyk, K., & Cieliebak, M. (2024). Error-preserving automatic speech recognition of young English learners’ language. Beta archives, https://arxiv.org/html/2406.03235v1
Qian, Z., Xiao, K., & Yu, C. (2023). A survey of technologies for automatic dysarthric speech recognition. Journal of Audio, Speech, and Music Processing, 2023(48). https://doi.org/10.1186/s13636-023-00318-2
Bhatnagar, N. (2024 Deep dive into ASR systems. Medium. https://medium.com/@captnitinbhatnagar/deep-dive-into-asr-systems-c571a576ff26
Sun, W. (2023). The impact of automatic speech recognition technology on second language pronunciation and speaking skills of EFL learners: A mixed methods investigation. Frontiers in Psychology, 14, Article 1210187. https://doi.org/10.3389/fpsyg.2023.1210187
Southwell, R., Pugh, S., Perkoff, E. M., Clevenger, C., Bush, J., Lieber, R., Ward, W., Foltz, P., & D’Mello, S. (2022). Challenges and feasibility of automatic speech recognition for modeling student collaborative discourse in classrooms. In Proceedings of the 15th International Conference on Educational Data Mining (EDM 2022) (pp. 342–353). https://educationaldatamining.org/edm2022/proceedings/2022.EDM-long-papers.26/index.html
Загрузки
61 16Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Наргиза Асророва
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
