面向青年痰疯转录的合成生成方法

在青年痰疯研究中，言语-语言病理师（SLPs）会花费大量时间手动对语音样本进行编码，使用 Correct Information Units（CIUs）衡量单个语音样本的信息量。开发自动化系统识别青年痰疯语言受数据稀缺限制。例如，仅 AphasiaBank 中约有 600 份转录文本，而大语言模型（LLMs）使用的 token 数量可达数十亿。在更广泛的机器学习领域，研究者日益倾向于在数据稀缺时使用合成数据。因此，本研究构建并验证了两种生成 AphasiaBank Cat Rescue 图片描述任务转录的合成方法。一种方法利用程序化编程方法，另一种方法使用 Mistral 7b Instruct 和 Llama 3.1 8b Instruct LLMs。这些方法通过 word dropping、filler insertion 和 paraphasia substitution 在四个严重程度等级（轻度、中度、严重、极重度）生成转录文本。总体而言，我们发现与人类elicited转录文本相比，Mistral 7b Instruct 最能捕捉青年痰疯中观察到的语言退化的关键方面，在 NDW、词数和词长等方面展现出真实的方向性变化。基于结果，未来工作应计划创建更大数据集、微调模型以获得更好的青年痰疯表征，并让 SLPs 评估合成转录文本的真实性和实用性。