Automatische Erkennung paralinguistischer Merkmale zur Bewertung der Gesprächsqualität in Callcentern

In der Dissertation wird ein innovatives zweistufiges Klassifikationsframework entwickelt, das auf Basis multipler Modelle für den Sprechausdruck qualitätsinduzierende Kriterien bei Callcentergesprächen mit erklärungsfähigen Regeln prognostizieren kann. Zentrales Konzept des Ansatzes ist die automatische Erkennung sprecherisch-stimmlicher Merkmale des Sprechausdrucks als Realisierungsmittel der Gesprächswirkung. Ziel der als Basisklassifikation bezeichneten ersten Stufe des Frameworks ist die bestmögliche Erkennung des Sprechausdrucks. Hierzu werden multiple Klassifikationsmodelle trainiert, aus denen mit einem Auswahlverfahren der beste Algorithmus für das Training des Basisklassifikationsmodells selektiert wird. Durch diese Basisklassifikation wird eine symbolische Repräsentation des Sprechausdrucks erzeugt, die sowohl für Experten verständlich ist als auch von Klassifikationsalgorithmen verarbeitet werden kann. In der zweiten Stufe werden mit Lernverfahren die erkannten sprecherisch-stimmlichen Merkmale zu einer Klassifikation der Qualitätsfaktoren zusammengeführt. Regeln und Entscheidungsbäume bilden die funktionalen Beziehungen zu den relevanten Merkmalen ab und können so anhand der erkannten sprecherisch-stimmlichen Merkmale die wahrgenommenen Qualitätsfaktoren erklären. Das Klassifikationsframework wird in umfangreichen Tests statistisch verifiziert und in vier Fallstudien validiert.