有用的失误：自动语音识别错误能否改善下游痴呆症分类？

\textbf{目标}：我们旨在研究自动语音识别（ASR）系统的错误如何影响痴呆症分类准确率，特别是在“Cookie Theft”图片描述任务中。我们旨在评估不完美的 ASR 生成转录是否能提供有价值的信息，以区分认知健康个体与阿尔茨海默病（AD）患者的语言样本。\textbf{方法}：我们使用各种 ASR 模型进行了实验，并通过后期编辑技术完善了其转录。这些不完美的 ASR 转录和手动转录均被用作下游痴呆症分类的输入。我们进行了全面的错误分析，以比较模型性能并评估 ASR 生成转录在痴呆症分类中的有效性。\textbf{结果}：令人惊讶的是，在“Cookie Theft”任务中，不完美的 ASR 生成转录在区分 AD 患者和非 AD 患者方面优于手动转录。这些基于 ASR 的模型超越了之前的最先进方法，表明 ASR 错误可能包含与痴呆症相关的有价值线索。ASR 与分类模型之间的协同作用提高了痴呆症分类的整体准确率。\textbf{结论}：不完美的 ASR 转录有效捕获了与痴呆症相关的语言异常，提高了分类任务的准确率。ASR 与分类模型之间的这种协同作用突显了 ASR 作为评估认知障碍及相关临床应用的宝贵工具的潜力。