Acceso usuarios
Adrián Cabedo Nebot 
Esta investigación explora algunas características prosódicas del conflicto discursivo, a partir de la comparación entre el análisis manual y automático de 1371 grupos entonativos procedentes de 7 conversaciones de una misma familia. De estos, 738 fueron designados manualmente como no conflictivos, mientras que 633 fueron etiquetados como conflictivos. Herramientas estadísticas, incluyendo ANOVA y boxplots, han permitido esclarecer singularidades inherentes al discurso conflictivo. Por ejemplo, el examen del tono revela disparidades significativas tanto entre hablantes como en contextos de conflicto. A pesar de la consistencia general en los datos, se observan variaciones notables, especialmente en el caso de algún hablante, cuyo tono muestra una notable variabilidad entre secuencias conflictivas y no conflictivas. De manera significativa, la velocidad de habla también resultó ser un marcador prosódico distintivo, mostrando diferencias significativas tanto entre hablantes como en escenarios de conflicto. En contraste, variables como la inflexión tonal, intensidad y duración no mostraron diferencias significativas basadas en niveles de conflicto o identidades de hablantes. La creación y desarrollo del programa Oralstats Furious para la categorización automática introdujo un elemento adicional al estudio. La visualización interactiva de datos ha resultado muy importante para una validación precisa, por lo que se permite a los investigadores refinar tanto las clasificaciones manuales como las automáticas. Las discrepancias entre las categorizaciones manuales y automáticas revelaron disparidades significativas, insinuando posibles sobreestimaciones o subestimaciones del conflicto en análisis manuales.
This research explores some prosodic features of discursive conflict, based on the manual and automatic analysis of 1371 intonational groups from 7 conversations within the same family. Out of these, 738 were manually designated as non-conflictive, while 633 were labeled as conflictive. Statistical tools, including ANOVA and boxplots, have helped clarify singularities inherent to discursive conflict. The research focuses on the examination of tone, revealing significant disparities both among speakers and in conflict contexts. Despite general consistency in the data, notable variations are observed, especially in the case of a particular speaker whose tone shows remarkable variability between conflictive and non-conflictive sequences. Importantly, speech rate emerged as a distinctive prosodic marker, showing significant differences both among speakers and in conflict scenarios. In contrast, variables such as tonal inflection, intensity, and duration did not show significant differences based on conflict levels or speaker identities, suggesting the need for precise and contextualized analysis. The creation and development of the Oralstats Furious program for automatic categorization introduced an additional layer to the study. Discrepancies between manual and automatic categorizations revealed significant disparities, hinting at possible overestimations or underestimations of conflict in manual analyses. Interactive data visualization proved invaluable for accurate validation, allowing researchers to refine bothmanual and automatic classifications
