বহুভাষিক স্ব-তত্ত্বাবধানে বক্তৃতা মডেলগুলি ভাষার মধ্যে তথ্য ভাগ করে লাভবান হতে পারে, কিন্তু একটি মিলিত প্রাক-প্রশিক্ষণ ডেটা বাজেটের অধীনে, তারা এখনও একভাষিক মডেলের অভাব বোধ করে। আমরা দেখাই যে প্রাক-প্রশিক্ষণের সময় ভাষাগুলিকে আলাদা করার মডেলের ক্ষমতাকে শক্তিশালী করা হ্রাস করে এবং কিছু ব্যবস্থার মাধ্যমে, ভাষার মধ্যে উল্লেখযোগ্য ভাগাভাগি বজায় রেখে ক্রমাগত এবং উচ্চ-স্তরের ধ্বনিগত এবং ভাষাগত পরিমাপের এই বহুভাষিক ব্যবধান বন্ধ করে। HuBERT ইংরেজি/ফ্রেঞ্চের একটি নিয়ন্ত্রিত সেটিং ব্যবহার করে, আমরা দুটি হস্তক্ষেপ পরীক্ষা করি যা ভাষা বৈষম্যকে শক্তিশালী করে: সহায়ক ভাষার শ্রেণীবিভাগ এবং প্রতি-ভাষা k-অর্থের লক্ষ্য। হস্তক্ষেপ জুড়ে, টেকসই ফোন বৈষম্য ত্রুটি (ফোন-এবিএক্স,↓) বেসলাইন দ্বিভাষিকে 11.6% থেকে কমে 10.4% (একভাষিক: 10.8%), যেখানে আভিধানিক কর্মক্ষমতা (sWUGGY, ↑) 52.1% থেকে 56.7% এবং parodic কর্মক্ষমতা বৃদ্ধি পায়। আভিধানিক সাবটাস্ক, ↑) 68.9% থেকে 72.9% (একভাষিক: 72.6%)। HuBERT প্রশিক্ষণের পর্যায় জুড়ে, বেশিরভাগ ভাষাগত পদক্ষেপে সবচেয়ে শক্তিশালী লাভ ঘটে যখন প্রথম পুনরাবৃত্তিতে ভাষার বৈষম্য প্রবর্তিত হয়, যখন দেরিতে বা বারবার হস্তক্ষেপগুলি ছোট উন্নতি করে এবং এর সাথে ভাষা বৈষম্য বৃদ্ধি পায়। এই ফলাফলগুলি বহুভাষিক শিক্ষার অতিরিক্ত খরচ কমাতে ভাষার বৈষম্যের জন্য একটি কার্যকারণ ভূমিকা সমর্থন করে।
Leave a Reply