Umm... With Transformers? Insights from Filled Pause Use across Four Slavic Parliaments

Resumen Técnico: Perspectivas del uso de pausas llenas en cuatro parlamentos eslavos

Planteamiento del problema
Las pausas llenas (PF), como "eh" o "um", son rasgos universales del habla espontánea; sin embargo, la investigación empírica sobre su producción se ha visto limitada por la dependencia de corpus pequeños de un solo idioma. Esta limitación restringe el poder estadístico y la generalizabilidad de los hallazgos a través de contextos lingüísticos y culturales. Además, la literatura existente a menudo confunde los rasgos estables del hablante con las variaciones a nivel de estado dentro de las elocuciones, lo que dificulta la distinción entre estilos de habla habituales y las demandas de planificación momento a momento. Este estudio aborda estas brechas analizando aproximadamente 4,000 horas de discurso parlamentario en cuatro lenguas eslavas relacionadas (croata, checo, polaco y serbio) para investigar los predictores de las tasas de PF en un entorno de gran escala y lingüísticamente diverso.

Metodología
La investigación utiliza el conjunto de datos ParlaSpeech, que comprende 6,000 horas de discurso parlamentario, filtrado para incluir 1,001,787 elocuciones de 1,561 hablantes (miembros regulares del parlamento) con elocuciones de al menos 3 segundos y 10 palabras.

• Detección automática: Las pausas llenas fueron identificadas utilizando un modelo basado en transformadores (wav2vec2-bert) entrenado con datos eslovenos y probado en los cuatro idiomas objetivo, logrando una puntuación F1 de evento de aproximadamente 0.92.
• Extracción de características: Los metadatos del hablante (género, edad, orientación política, estatus de poder) se obtuvieron de registros oficiales. El sentimiento se predijo mediante XLM-R-ParlaSent, y la velocidad del habla se calculó como el recuento de vocales silábicas dividido por la duración del audio.
• Modelado estadístico: El estudio emplea Ecuaciones de Estimación Generalizada (GEE) con una distribución Binomial Negativa para modelar los recuentos de PF, utilizando log(duración del audio) como un desplazamiento (offset) para expresar los resultados como tasas.
• Estrategia de descomposición: Un componente metodológico crucial es la aplicación de modelos corregidos por Mundlak. Este enfoque descompone los predictores que varían en el tiempo en dos componentes:
  1. Efectos entre hablantes: Tendencias estables de un hablante (por ejemplo, la edad promedio de un hablante o su sentimiento habitual).
  2. Efectos dentro del hablante: Desviaciones de la propia línea base del hablante durante elocuciones específicas (por ejemplo, un hablante que habla de forma más positiva de lo habitual en una sesión específica).
     Esta descomposición permite a los autores distinguir las asociaciones de nivel de rasgo de las variaciones de nivel de estado. Se ajustaron diez modelos: especificaciones base y corregidas por Mundlak, estimadas tanto globalmente (agrupadas/ pooled) como por separado para cada parlamento.

Resultados clave
El análisis arroja hallazgos distintos respecto a los predictores establecidos y novedosos de las tasas de PF:

• Género: Contrariamente a mucha literatura previa que reporta tasas de PF más altas en hombres, este estudio encuentra que, globalmente, los hablantes masculinos producen significativamente menos PF que las hablantes femeninas (Razón de Tasas de Incidencia [IRR] = 0.636). Este efecto es robusto y está impulsado enteramente por los parlamentos eslavos del sur (Croacia y Serbia), donde la reducción es sustancial. En los parlamentos eslavos occidentales (Chequia y Polonia), las diferencias de género no fueron significativas.
• Edad: Se confirmó una asociación negativa entre la edad y la tasa de PF. Globalmente, cada década adicional de edad corresponde a una reducción del 13.8% en las PF. Esto contrasta con algunos corpus conversacionales que reportan un aumento de las PF con la edad, reforzando la dependencia del dominio de los efectos de la edad.
• Velocidad del habla: Existe una fuerte correlación negativa entre la velocidad del habla y la tasa de PF. El componente dentro del hablante es el predictor más fuerte en el conjunto de datos, lo que indica que las demandas de planificación momento a momento (ralentizar y vacilar) impulsan la producción de PF más que el ritmo habitual del hablante.
• Sentimiento: Se encontró una asociación positiva constante entre el sentimiento y la tasa de PF. Los hablantes utilizan más PF cuando expresan un sentimiento más positivo. Este efecto es estable dentro de los hablantes en los cuatro parlamentos, lo que sugiere que las demandas comunicativas positivas aumentan la vacilación, independientemente del estilo base del hablante.
• Orientación política: No se encontró una asociación global confiable entre la posición ideológica habitual de un hablante y la producción de PF. Sin embargo, el análisis dentro del hablante reveló que, en Croacia y Polonia, las sesiones donde la afiliación de partido de un hablante era más de derecha que su línea base habitual estaban asociadas con tasas de PF más altas. Este efecto estuvo ausente en Chequia y Serbia.
• Estatus de poder: Los hablantes de la oposición tienden globalmente a producir menos PF que los miembros de la coalición gobernante (IRR = 0.792). Este efecto fue significativo en Chequia y Croacia. Notablemente, Serbia mostró una tendencia positiva limítrofe (la oposición hablando con más PF), lo que sugiere dinámicas políticas únicas en ese contexto.

Significancia y contribuciones
El artículo reclama varias contribuciones significativas al campo de la paralingüística computacional:

1. Escala y generalizabilidad: Al analizar casi 4,000 horas de habla a través de cuatro idiomas, el estudio demuestra que muchos efectos reportados en estudios de un solo idioma y menor escala (particularmente respecto al género y la edad) no son universales, sino que son específicos del lenguaje o dependientes del dominio.
2. Rigor metodológico: La aplicación de modelos GEE corregidos por Mundlak proporciona un marco robusto para desentrañar los rasgos estables del hablante de la variación a nivel de elocución. Los resultados resaltan que el componente dentro del hablante (variación de nivel de estado) es a menudo un predictor más fuerte de la producción de PF que los rasgos entre hablantes, particularmente para la velocidad del habla y el sentimiento.
3. Predictores novedosos: El estudio establece el sentimiento como un predictor consistente de las tasas de PF, una relación raramente explorada en trabajos cuantitativos previos. También proporciona la primera evidencia cuantitativa a gran escala sobre el impacto de la orientación política y el estatus de poder en la disfluencia, revelando patrones complejos y específicos de cada parlamento en lugar de simples tendencias lineales.
4. Especificidad del dominio: Los autores enfatizan que sus hallazgos son específicos del dominio parlamentario. La reversión de los efectos de género en los parlamentos eslavos del sur y la modulación específica de las tasas de PF por el estatus de poder sugieren que los géneros de habla formales y orientados a tareas pueden neutralizar o invertir los patrones observados en la conversación informal.

El artículo concluye que los corpus translingüísticos de gran escala, anotados mediante transformadores, son esenciales para comprender la producción de PF y que se requiere precaución al generalizar los hallazgos de estudios de pequeña escala a contextos lingüísticos o culturales más amplios.