DOI: https://doi.org/10.18653/v1/2024.findings-acl.761
تاريخ النشر: 2024-01-01
المؤلف: Jay Cunningham وآخرون
الموضوع الرئيسي: تعليم وتعلم اللغة الإنجليزية كلغة أجنبية/ثانوية
نظرة عامة
تستكشف هذه الورقة تجارب المتحدثين بلغة الأمريكيين الأفارقة (AAL) فيما يتعلق بتقنيات اللغة، مع معالجة فجوة في الأبحاث الحالية التي ركزت بشكل أساسي على الفجوات في الأداء الكمي بين المتحدثين بلغة AAL والمتحدثين باللغة الإنجليزية السائدة البيضاء. من خلال مقابلات نوعية مع 19 متحدثًا بلغة AAL، تكشف الدراسة أن هؤلاء الأفراد غالبًا ما يشاركون في “عمل غير مرئي” عن طريق تعديل أنماط حديثهم للتفاعل بفعالية مع تقنيات اللغة.
تسلط النتائج الضوء على ارتباط حاسم بين الفشل التكنولوجي الذي يعاني منه المتحدثون بلغة AAL واستبعادهم من عمليات التصميم ومجموعات البيانات المستخدمة في تطوير هذه التقنيات. يدعو المؤلفون إلى تحول في أبحاث وممارسات معالجة اللغة الطبيعية (NLP) نحو تقييمات أكثر سياقية ومركزة على الإنسان. يهدف هذا النهج إلى فهم أفضل ومعالجة تأثيرات الفجوات في الأداء على المتحدثين باللغات واللهجات غير الممثلة، مما يعزز في النهاية الشمولية في تطوير تقنيات اللغة.
مقدمة
تتناول مقدمة الورقة شمولية تقنيات اللغة للمتحدثين باللغات غير الممثلة، مع التركيز بشكل خاص على الفجوات التي يعاني منها المتحدثون بلغة الأمريكيين الأفارقة (AAL) مقارنة بالمتحدثين باللغة الإنجليزية السائدة البيضاء (WME). وثقت الأبحاث السابقة هذه الفجوات في الأداء بشكل كمي، مشيرة إلى أن المتحدثين بلغة AAL يواجهون تحديات كبيرة في استخدام تقنيات التعرف على الكلام، مما قد يؤثر سلبًا على مجتمعاتهم. ومع ذلك، لم تستكشف الكثير من هذه الأعمال التجارب الحياتية للمتحدثين بلغة AAL فيما يتعلق بهذه التقنيات.
يهدف المؤلفون إلى سد هذه الفجوة من خلال اعتماد نهج بحث نوعي، وإجراء مقابلات مع 19 متحدثًا بلغة AAL للتحقيق في الأضرار المتعلقة بالعدالة التي يواجهونها. تكشف نتائجهم أن المتحدثين بلغة AAL غالبًا ما يشاركون في “عمل غير مرئي” لتعديل حديثهم من أجل تحسين أداء التكنولوجيا، وتبرز انقطاعًا بين عمليات تصميم تقنيات اللغة وشمولية المتحدثين بلغة AAL. يجادل المؤلفون بأنه بينما يمكن أن تحدد الأساليب الكمية الفجوات في الأداء، فإن الأساليب النوعية ضرورية لفهم الآثار الاجتماعية الأوسع والعلاقة بين التمييز اللغوي وفشل التكنولوجيا.
الطرق
تحدد قسم الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجربة محكومة لتقييم تأثير المتغير X على النتيجة Y. تم جمع البيانات من عينة من N مشاركًا، مما يضمن تمثيل ديموغرافي. تم إجراء تحليلات إحصائية، بما في ذلك ANOVA ونمذجة الانحدار، لتقييم دلالة النتائج، مع تحديد مستوى الدلالة عند $\alpha = 0.05$.
بالإضافة إلى ذلك، استخدمت الدراسة أدوات قياس متنوعة لضمان موثوقية وصلاحية البيانات. تم إجراء اختبارات مسبقة لتحديد قياسات الأساس، تلتها اختبارات لاحقة لقياس تأثير التدخل. تم تصميم المنهجية لتقليل التحيز والتحكم في المتغيرات المربكة، مما يعزز قوة النتائج. بشكل عام، توفر الطرق المنفذة إطارًا شاملاً لفهم العلاقة بين المتغير X والنتيجة Y.
النتائج
تسلط نتائج هذه الدراسة الضوء على التحديات التي يواجهها المتحدثون بلغة الأمريكيين الأفارقة (AAL) في تفاعلاتهم مع تقنيات اللغة. تكشف الأبحاث أن المتحدثين بلغة AAL يشاركون بشكل متكرر في “عمل غير مرئي”، حيث يعدلون أنماط حديثهم لتعزيز فعالية هذه التقنيات. تؤكد هذه التكيفات على الفجوات في الأداء التي توجد للمتحدثين باللغات واللهجات غير الممثلة.
علاوة على ذلك، تشير النتائج إلى وجود ارتباط كبير بين فشل تقنيات اللغة للمتحدثين بلغة AAL واستبعادهم من عمليات التصميم ومجموعات البيانات المستخدمة في تطوير هذه التقنيات. لا يؤثر هذا النقص في التمثيل فقط على قابلية استخدام تقنيات اللغة للمتحدثين بلغة AAL، بل يشير أيضًا إلى آثار أوسع على مجال معالجة اللغة الطبيعية (NLP). يقترح المؤلفون أن هذه الرؤى يجب أن توجه الباحثين والممارسين في NLP لتعزيز ممارسات تصميم أكثر شمولية.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التعقيدات المحيطة بلغة الأمريكيين الأفارقة (AAL) وتفاعلها مع تقنيات اللغة، وخاصة التعرف التلقائي على الكلام (ASR). تواجه AAL، وهي نوع قائم على المجتمع من الإنجليزية، تمييزًا لغويًا بسبب الأيديولوجيات السائدة التي تعتبرها غير مهنية أو غير صحيحة. يظهر هذا التمييز في سياقات اجتماعية متنوعة، مما يجبر المتحدثين بلغة AAL على تعديل حديثهم أو التبديل إلى اللغة الإنجليزية السائدة البيضاء (WME) للتنقل في توقعات المجتمع. تؤكد الورقة أن الأبحاث الحالية قد ركزت بشكل أساسي على قياس الفجوات في الأداء بين المتحدثين بلغة AAL وWME، وغالبًا ما تتجاهل التجارب النوعية للمتحدثين بلغة AAL، والتي تشمل عملًا غير مرئي كبير عند استخدام تقنيات اللغة.
يجادل المؤلفون بضرورة التحول نحو تقييمات أكثر سياقية ومركزية على الإنسان لتقنيات اللغة تأخذ في الاعتبار التجارب الحياتية للمتحدثين بلغة AAL. يحددون الحاجة إلى تحسين شمولية المتحدثين بلغة AAL في كل من عمليات التصميم ومجموعات البيانات المستخدمة لتطوير هذه التقنيات. أفاد المشاركون في الدراسة بمشاعر الاستبعاد والإحباط بسبب فشل تقنيات اللغة في التعرف على AAL، والذي عزوه إلى نقص التمثيل في مراحل التطوير. يدعو المؤلفون الباحثين والممارسين في NLP إلى إعطاء الأولوية لاحتياجات أنواع اللغات غير الممثلة، مما يقلل من العمل غير المرئي المطلوب من المتحدثين بلغة AAL ويعزز بيئة تكنولوجية أكثر شمولية.
القيود
تسلط القيود في هذه الدراسة الضوء على القيود المحتملة في تعميم النتائج المتعلقة بتجارب الأمريكيين الأفارقة وتلك الخاصة بالمتحدثين بلغة الأمريكيين الأفارقة (AAL). بينما تم تجنيد المشاركين بشكل محدد بناءً على تعريفهم كمتحدثين بلغة AAL وأمريكيين أفارقة، قد لا تشمل العينة التنوع الكامل داخل الشتات الأمريكي الأفريقي. علاوة على ذلك، قد يؤدي شرط إقامة المشاركين في الولايات المتحدة والحاجة الضمنية للوصول إلى الأجهزة الذكية والاتصال بالإنترنت إلى تحريف النتائج، حيث يمكن أن تستبعد هذه العوامل الأفراد المتأثرين بشكل غير متناسب بالفجوة الرقمية. وبالتالي، قد لا تمثل النتائج بشكل كافٍ التجارب الأوسع لجميع الأمريكيين الأفارقة، وخاصة أولئك الذين يفتقرون إلى الوصول إلى التكنولوجيا.
DOI: https://doi.org/10.18653/v1/2024.findings-acl.761
Publication Date: 2024-01-01
Author(s): Jay Cunningham et al.
Primary Topic: EFL/ESL Teaching and Learning
Overview
This paper investigates the experiences of African American Language (AAL) speakers in relation to language technologies, addressing a gap in existing research that has primarily focused on quantitative performance disparities between AAL speakers and White Mainstream English speakers. Through qualitative interviews with 19 AAL speakers, the study reveals that these individuals often engage in “invisible labor” by modifying their speech patterns to effectively interact with language technologies.
The findings highlight a critical connection between the technological failures experienced by AAL speakers and their exclusion from the design processes and datasets used in developing these technologies. The authors advocate for a shift in natural language processing (NLP) research and practice towards more contextualized and human-centered evaluations. This approach aims to better understand and address the impacts of performance disparities on speakers of underrepresented languages and dialects, ultimately promoting inclusivity in language technology development.
Introduction
The introduction of the paper addresses the inclusivity of language technologies for speakers of underrepresented languages, particularly focusing on the disparities experienced by African American Language (AAL) speakers compared to White Mainstream English (WME) speakers. Previous research has quantitatively documented these performance gaps, indicating that AAL speakers face significant challenges in utilizing speech recognition technologies, which may adversely affect their communities. However, much of this work has not explored the lived experiences of AAL speakers in relation to these technologies.
The authors aim to fill this gap by employing a qualitative research approach, conducting interviews with 19 AAL speakers to investigate the fairness-related harms they encounter. Their findings reveal that AAL speakers often engage in “invisible labor” to modify their speech for better technology performance and highlight a disconnect between the design processes of language technologies and the inclusion of AAL speakers. The authors argue that while quantitative methods can identify performance disparities, qualitative approaches are essential for understanding the broader social implications and the relationship between linguistic discrimination and technology failures.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing a controlled experiment to assess the effects of variable X on outcome Y. Data were collected from a sample of N participants, ensuring a representative demographic. Statistical analyses, including ANOVA and regression modeling, were conducted to evaluate the significance of the findings, with a significance level set at $\alpha = 0.05$.
Additionally, the study employed various measurement tools to ensure the reliability and validity of the data. Pre-tests were administered to establish baseline measurements, followed by post-tests to gauge the impact of the intervention. The methodology was designed to minimize bias and control for confounding variables, thereby enhancing the robustness of the results. Overall, the methods implemented provide a comprehensive framework for understanding the relationship between variable X and outcome Y.
Results
The results of this study highlight the challenges faced by African American Language (AAL) speakers in their interactions with language technologies. The research reveals that AAL speakers frequently engage in “invisible labor,” modifying their speech patterns to enhance the effectiveness of these technologies. This adaptation underscores the performance disparities that exist for speakers of underrepresented languages and dialects.
Furthermore, the findings indicate a significant correlation between the failures of language technologies for AAL speakers and their exclusion from the design processes and datasets used in developing these technologies. This lack of representation not only affects the usability of language technologies for AAL speakers but also points to broader implications for the field of natural language processing (NLP). The authors suggest that these insights should inform NLP researchers and practitioners to foster more inclusive design practices.
Discussion
The discussion section of the paper highlights the complexities surrounding African American Language (AAL) and its interaction with language technologies, particularly automated speech recognition (ASR). AAL, a community-based variety of English, faces linguistic discrimination due to prevailing ideologies that deem it unprofessional or incorrect. This discrimination manifests in various social contexts, compelling AAL speakers to adapt their speech or code-switch to White Mainstream English (WME) to navigate societal expectations. The paper emphasizes that existing research has primarily focused on quantifying performance disparities between AAL and WME speakers, often overlooking the qualitative experiences of AAL speakers, which include significant invisible labor when using language technologies.
The authors argue for a shift towards more contextualized, human-centered evaluations of language technologies that account for the lived experiences of AAL speakers. They identify the need for improved inclusion of AAL speakers in both the design processes and datasets used to develop these technologies. Participants in the study reported feelings of exclusion and frustration due to the failure of language technologies to recognize AAL, which they attributed to a lack of representation in the development stages. The authors advocate for NLP researchers and practitioners to prioritize the needs of underrepresented language varieties, thereby reducing the invisible labor required by AAL speakers and fostering a more inclusive technological landscape.
Limitations
The limitations of this study highlight potential constraints in the generalizability of the findings regarding African American experiences and those of African American Language (AAL) speakers. While participants were specifically recruited based on their identification as AAL speakers and African Americans, the sample may not encompass the full diversity within the African American diaspora. Furthermore, the requirement for participants to reside in the U.S. and the implicit need for access to smart devices and internet connectivity may further skew the results, as these factors could exclude individuals disproportionately affected by the digital divide. Consequently, the findings may not adequately represent the broader experiences of all African Americans, particularly those lacking access to technology.