💬 NLP

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

本研究利用基于 Transformer 的检测技术和广义估计方程，对约 4,000 小时的四种斯拉夫语议会演讲进行分析，结果表明，虽然年龄和语速与填充停顿率呈负相关，但性别效应具有语言特异性且与先前的发现相反，而情感则显示出与填充停顿的一致正相关性，并受到政治取向和权力地位的调节。

原作者： Ivan Porupski, Branimir Dropuljić, Nikola Ljubešić

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ivan Porupski, Branimir Dropuljić, Nikola Ljubešić

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

把人类的声音想象成一条繁忙的高速公路。有时，车辆（词汇）流动顺畅，但有时也会发生交通拥堵。在自发性言语中，这些“拥堵”通常表现为被称为“填充停顿”（filled pauses）的小型语音嗝——即我们在寻找合适的词汇或组织思绪时发出的“呃”、“嗯”或“啊”之类的声音。

长期以来，研究这些“嗝”的科学家们一直都在观察非常狭窄的单车道道路（仅来自一种语言的小型数据集）。这项研究决定从直升机视角进行俯瞰。研究人员观察了来自四个斯拉夫国家（克罗地亚、捷克、波兰和塞尔维亚）共计 4,000 小时的议会演讲。这就像是在观看数千小时的政治辩论，以观察谁的“嗝”最多以及为什么。

以下是研究结果，通过简单的概念进行了拆解：

1. 高科技侦探

为了在如此大量的音频中找到所有这些“呃”和“嗯”的声音，研究人员并没有人工聆听每一秒钟。他们使用了一个数字侦探（一种被称为“Transformer”的 AI 技术，类似于现代聊天机器人背后的技术）。这种 AI 能够精准捕捉这些“嗝”，其表现甚至优于人类听众，就像一个超强力的放大镜，用来统计每一次停顿。

2. “谁的嗝更多？”之谜

研究测试了几种关于是什么导致人们更多停顿的理论。以下是结果：

年龄： “年长者更流畅”规则
- 发现： 年长的发言者往往比年轻的发言者停顿得更少。
- 类比： 把这想象成资深司机与新手学习者。年长的政治家似乎让他们的“交通”流动得更顺畅，说话时停顿较少。这实际上与之前一些关于日常对话的研究结果相反（在那些研究中，年长者有时停顿更多），这表明在议会这样的正式场合，经验可能意味着更好的流畅度。
速度： “语速快的人停顿少”规则
- 发现： 说话速度较快的人通常产生的“呃”或“嗯”时刻较少。
- 类比： 想象一名跑步者。如果他们在冲刺，他们会专注于向前移动。如果他们慢下来，可能会踉跄或需要喘口气。研究发现，当发言者加速时，他们的“踉跄”（停顿）就会减少。有趣的是，这主要关乎一个人在特定时刻的说话方式，而非其永久的性格特征。
性别： “南 vs 西”的惊喜
- 发现： 这是最大的转折点。在英语研究中，男性通常比女性停顿更多。但在南斯拉夫议会（克罗地亚和塞尔维亚）中，女性的停顿明显比男性多。而在西斯拉夫议会（捷克和波兰）中，男女之间没有显著差异。
- 类比： 这就像一种文化时尚趋势。在一个社区里，男人戴帽子；在另一个社区，女人戴帽子；而在第三个社区，没人戴帽子。你不能假设规则在任何地方都是一样的。“男性停顿更多”这一英语书籍中的规则在这里并不成立。
情绪： “快乐谈话”的联系
- 发现： 当发言者表达更多积极或热情的观点时，他们实际上停顿得更多。
- 类比： 想象一位正在讲笑话的喜剧演员。当他们真正投入到故事中并感到积极时，他们可能会使用更多的“呃”和“嗯”来制造悬念或强调某个点。研究发现，当政治家处于“好心情”或进行积极谈话时，他们往往比处于中性或负面情绪时更容易出现“嗝”。
政治： “反对派”的优势
- 发现： 反对党（不在执政地位的政党）的政治家往往比执政联盟（掌权的政党）的政治家停顿得更少。
- 类比： 想象一场国际象棋比赛。处于防守地位的玩家（反对派）可能更敏锐、更直接，因为他们在进攻。而处于进攻地位的玩家（执政党）可能更谨慎，在思考每一步棋时想得更多，从而在规划下一个词时产生更多的“呃”和“嗯”。

3. “特质”与“状态”

这项研究的一个聪明之处在于区分了你是谁和你现在正在做什么。

特质（你是谁）： 有些人天生就是说话慢或说话快的人。
状态（你正在做什么）： 有时，即使是一个语速快的人，如果感到疲劳或正在苦思冥想某个特定的句子，也会放慢速度并产生停顿。

研究发现，对于语速等指标，“状态”（当前正在发生的事）比“特质”（固有的性格）重要得多。这不仅仅是“约翰是个说话慢的人”；而是“约翰现在之所以停顿，是因为他正在苦思冥想”。

核心结论

这篇论文提醒我们，人类的言语是复杂的，它很大程度上取决于你在哪里以及你在和谁交谈。在英语对话中适用的规则，并不一定适用于斯拉夫议会。通过利用 AI 来观察海量数据，研究人员展示了诸如年龄、速度、性别甚至政治情绪等因素如何影响我们说“嗯”或“呃”的频率，同时也表明，规则会随着文化和政治格局的变化而改变。

技术摘要：四国斯拉夫议会填充停顿使用的见解

问题陈述
填充停顿（Filled pauses, FPs），如“uh”和“um”，是自发语音中的普遍特征，然而，针对其产生的实证研究一直受限于对小型、单一语言语料库的依赖。这种局限性限制了统计效力以及研究结果在不同语言和文化背景下的泛化能力。此外，现有文献经常将稳定的说话者特质与话语内的状态级变化混为一谈，导致难以区分习惯性说话风格与瞬时规划需求。本研究通过分析四个相关的斯拉夫语种（克罗地亚语、捷克语、波兰语和塞尔维亚语）中约 4,000 小时的议会演讲，旨在探讨在大型、语言多样化设置下预测 FP 率的因素。

研究方法
本研究利用了 ParlaSpeech 数据集，该数据集包含 6,000 小时的议会演讲，经过筛选后包含来自 1,561 名说话者（议会常任成员）的 1,001,787 条话语，每条话语至少包含 3 秒时长和 10 个单词。

自动检测： 填充停顿使用在斯洛文尼亚数据上训练并在四个目标语言上进行测试的 Transformer 模型（wav2vec2-bert）进行识别，实现了约 0.92 的事件级 F1 分数。
特征提取： 说话者元数据（性别、年龄、政治取向、权力地位）来源于官方记录。情感通过 XLM-R-ParlaSent 进行预测，语速通过音节元音计数除以音频时长计算得出。
统计建模： 研究采用带有负二项分布的广义估计方程（GEE）来对 FP 计数进行建模，并使用 $\log(\text{音频时长})$ 作为偏移量，以将结果表示为速率。
分解策略： 一个关键的方法论组成部分是应用了 Mundlak 校正模型。该方法将随时间变化的预测因子分解为两个部分：
1. 说话者间效应（Between-speaker effects）： 说话者的稳定倾向（例如，说话者的平均年龄或习惯性情感）。
2. 说话者内效应（Within-speaker effects）： 说话者自身基准线在特定话语中的偏差（例如，说话者在特定会议中比平时表达得更积极）。
  这种分解允许作者区分特质层面的关联与状态层面的变化。研究拟合了十个模型：基准模型和 Mundlak 校正规格，并分别在全局（汇总）和每个议会层面进行估算。

主要结果
分析得出了关于既有及新颖的 FP 率预测因子的不同发现：

性别： 与许多报道男性产生更高 FP 率的先前文献相反，本研究发现从全局来看，男性说话者产生的 FP 显著少于女性说话者（发生率比 [IRR] = 0.636）。这一效应是稳健的，且完全由南斯拉夫议会（克罗地亚和塞尔维亚）驱动，其减少程度十分显著。在西斯拉夫议会（捷克和波兰）中，性别差异并不显著。
年龄： 年龄与 FP 率之间的负相关关系得到了证实。在全球范围内，每增加十岁，FP 率降低 13.8%。这与一些报告年龄增加导致 FP 增加的对话语料库形成对比，强化了年龄效应的领域依赖性。
语速： 语速与 FP 率之间存在强烈的负相关。说话者内成分是数据集中最强的预测因子，表明瞬时规划需求（减慢速度和犹豫）对 FP 产生的驱动作用大于说话者的习惯语速。
情感： 情感与 FP 率之间存在一致的正相关关系。说话者在表达更积极的情感时会使用更多的 FPs。这种效应在所有四个议会中在说话者内部是稳定的，表明积极的交际需求增加了犹豫，无论说话者的基准风格如何。
政治取向： 未发现说话者习惯性意识形态立场与 FP 产生之间存在可靠的全局关联。然而，说话者内分析显示，在克罗地亚和波兰，当说话者的政党隶属关系比其通常基准线更偏向右翼时，相关会议的 FP 率较高。这一效应在捷克和塞尔维亚并不存在。
权力地位： 全球范围内，反对党发言者倾向于比执政联盟成员产生更少的 FPs（IRR = 0.792）。这一效应在捷克和克罗地亚显著。值得注意的是，塞尔维亚显示出一种边缘性的正向趋势（反对派发言时 FP 更多），暗示了该背景下独特的政治动态。

意义与贡献
本文声称在计算副语言学领域做出了几项重要贡献：

规模与泛化性： 通过分析跨四种语言的近 4,000 小时演讲，本研究证明了在较小规模、单一语言研究中报告的许多效应（特别是关于性别和年龄的效应）并非普适，而是具有语言特异性或领域依赖性。
方法论严谨性： 应用 Mundlak 校正的 GEE 模型提供了一个稳健的框架，用于解构稳定的说话者特质与话语级变化。结果强调，对于语速和情感而言，说话者内成分（状态级变化）往往是比说话者间特质更强的 FP 产生预测因子。
新颖预测因子： 本研究确立了情感作为 FP 率的一致预测因子，这一关系在以往的定量研究中极少被探讨。它还提供了关于政治取向和权力地位如何影响失语（disfluency）的首个大规模定量证据，揭示了复杂的、特定于议会的模式，而非简单的线性趋势。
领域特异性： 作者强调，其发现是针对议会领域的。南斯拉夫议会中性别效应的反转，以及权力地位对 FP 率的具体调节作用，表明正式的、任务导向型的演讲类型可能会中和或反转在非正式对话中观察到的模式。

文章结论指出，大型、基于 Transformer 标注的跨语言语料库对于理解 FP 产生至关重要，并且在将研究结果从小规模研究推广到更广泛的语言或文化背景时需要保持谨慎。

1. 高科技侦探

2. “谁的嗝更多？”之谜

3. “特质”与“状态”

核心结论

技术摘要：四国斯拉夫议会填充停顿使用的见解

类似论文