Mesures de discriminabilité ABX et applications

ABX-discriminability measures and applications

• Auteur / Autrice : Thomas Schatz
• Direction : Francis Bach, Emmanuel Dupoux
• Type : Thèse de doctorat
• Discipline(s) : Sciences cognitives
• Date : Soutenance le 29/09/2016
• Etablissement(s) : Paris 6
• Ecole(s) doctorale(s) : École doctorale Cerveau, cognition, comportement (Paris)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de sciences cognitives et psycholinguistique (1985-....)
• Jury : Examinateurs / Examinatrices : Daniel Swingley, Jean-Luc Schwartz, Ludovic Denoyer, Martine Adda-Decker

Mots clés

Mots clés contrôlés

Modèles mathématiques

Sciences cognitives

Perception de la parole

Mots clés libres

Discriminabilité ABX

Parole

Catégories phonétiques

Modélisation

Évaluation

Sciences cognitives

ABX discriminability

Cognitive science

Phonetic categories

Résumé

Cette thèse est, au départ, une contribution indirecte au problème de la modélisation de l'acquisition des catégories phonétiques chez l'enfant. Les modèles computationnels déjà proposés n'ont encore jamais été testés de manière systématique pour déterminer s'ils sont réellement à même de rendre compte d'une partie conséquente des observations empiriques disponibles. Nous développons une approche permettant une évaluation systématique des modèles sur la base de Mesures de Discriminabilité ABX. Nous montrons l'intérêt de notre approche en l'appliquant à deux problèmes reliés: la traitement des catégories phonétiques à la naissance et à l'âge adulte. La prochaine étape sera bien sûr d'appliquer notre approche aux modèles d'acquisition des catégories phonétiques.L'intérêt des Mesures de Discriminabilité ABX ne se restreint pas au cas particulier de l'évaluation des modèles de traitement des catégories phonétiques. Elle sont utiles dans l'étude de signaux autre que la parole et de catégories autres que les catégories phonétiques, ainsi que dans le cadre de champs disciplinaires autres que les sciences cognitives, comme l'ingénierie, l'exploration des données ou l'intelligence artificielle par exemple. Nous le justifions en étudiant les propriétés de ces mesures dans un cadre abstrait général et en présentant trois grandes familles d'applications: l'évaluation de la capacité de systèmes opérant en l'absence de supervision explicite à représenter une structure catégorielle; la formulation de modèles computationnels simples du comportement dans des tâches de discrimination; la définition de mesures descriptives pour des représentations associées à des données catégorielles.

This thesis constitutes an indirect contribution to the problem of modeling phonetic category acquisition in infancy. Some specific computational models of phonetic category acquisition have been proposed, but they were never tested extensively nor compared quantitatively to see whether they were really able to account for a sizable portion of the available empirical observations. In this thesis, we introduce ABX-Discriminability Measures and we develop a methodology based on these measures that allows to perform such a systematic evaluation. We demonstrate the interest of our framework by applying it to the evaluation of models for two related problems: phonetic category processing at birth and in adulthood. The next step, applying our framework to models of phonetic category acquisition, is left for future work.The interest of ABX-Discriminability Measures is not restricted to the particular problem of evaluating models of phonetic category processing in humans. We argue that their interest generalizes to the study of other signals than speech and other category structures than phonetic categories, as well as to other research fields than cognitive science, like low-resource engineering, data mining and artificial intelligence for example. To make this point, we study the properties of these measures in a general abstract framework and we detail the rationale for three broad family of potential applications: evaluating systems operating without explicit supervision in their ability to represent a category structure; providing simple computational models of behavior in discrimination tasks; providing descriptive measurements for representations of categorical data.