Contributors: Signal, Statistique et Apprentissage (S2A); Laboratoire Traitement et Communication de l'Information (LTCI); Institut Mines-Télécom Paris (IMT)-Télécom Paris; Institut Mines-Télécom Paris (IMT)-Institut Polytechnique de Paris (IP Paris)-Institut Polytechnique de Paris (IP Paris)-Institut Mines-Télécom Paris (IMT)-Télécom Paris; Institut Mines-Télécom Paris (IMT)-Institut Polytechnique de Paris (IP Paris)-Institut Polytechnique de Paris (IP Paris); Département Images, Données, Signal (IDS); Télécom ParisTech; Département Automatique, Productique et Informatique (IMT Atlantique - DAPI); IMT Atlantique (IMT Atlantique); Institut Mines-Télécom Paris (IMT)-Institut Mines-Télécom Paris (IMT); Perception, Action, Cognition pour la Conception et l’Ergonomie (LS2N - équipe PACCE); Laboratoire des Sciences du Numérique de Nantes (LS2N); Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique); Institut Mines-Télécom Paris (IMT)-Institut Mines-Télécom Paris (IMT)-NANTES UNIVERSITÉ - École Centrale de Nantes (Nantes Univ - ECN); Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Nantes université - UFR des Sciences et des Techniques (Nantes univ - UFR ST); Nantes Université - pôle Sciences et technologie; Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Nantes Université - pôle Sciences et technologie; Nantes Université (Nantes Univ)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique); Nantes Université (Nantes Univ); School of Computing Science Glasgow; University of Glasgow; CESI : groupe d’Enseignement Supérieur et de Formation Professionnelle (CESI); HESAM Université - Communauté d'universités et d'établissements Hautes écoles Sorbonne Arts et métiers université (HESAM); ANR-21-CE33-0016,REVITALISE,Formation virtuelle des compétences comportementales pour la prise de parole en public(2021)
نبذة مختصرة : International audience ; There is a growing need for public speaking skills in both professional and private life. With this background, our research project's long-term aims are to develop tools that can analyse public speeches and provide helpful feedback. The impact of audio and visual characteristics on the automatic analysis of speech quality has been widely explored in the existing literature. However, only a few studies have focused on textual features. In response to this shortcoming, this paper investigates the importance of textual content for the automatic analysis of public speaking. We created an open-source Python library of textual features and integrated them as inputs of simple machine-learning models for automatic public-speaking analysis, and persuasiveness prediction, in particular. The best result (accuracy of 61%) is obtained using a logistic regression. We then evaluated the impact of these features on persuasiveness prediction using both correlation analysis and Explainable AI methods. This evaluation was conducted on the French data set 3MT_French, including student performances in the "Ma Thèse en 180 Secondes" competition. CCS CONCEPTS • Computing methodologies → Classifcation and regression trees; Modeling and simulation.
Processing Request
No Comments.