<p>Поред великог значаја контекстуалних информација при разумевању<br />говора, њихова обрада и употреба у савременим системима за<br />аутоматско препознавање говора је веома ограничена, што знатно<br />нарушава перформансе препознавања у реалним условима употребе.<br />Стога, уколико желимо да се карактеристике ових система приближе<br />људским, неопходно је укључити контекст у адекватном обиму.<br />У овој тези је представљен нови методолошки приступ контекстно<br />зависном препознавању говора у интеракцији између човека и машине.<br />На методолошком нивоу, овај приступ је хибридан, јер интегрише<br />статистичке и симболичке методе, и когнитивно инспирисан, јер узима у<br />обзир увиде у резулатате ис траживања из области неурокогнитивних<br />наука. Основни принцип је да се оцењивање хипотеза система за<br />препознавање врши на основу њихове контекстуалне усклађености,<br />информационог садржаја и семантичке исправности.<br />Приступ је илустрован прототипским имплементацијама за конкретне<br />домене интеракције.</p> / <p>Pored velikog značaja kontekstualnih informacija pri razumevanju<br />govora, njihova obrada i upotreba u savremenim sistemima za<br />automatsko prepoznavanje govora je veoma ograničena, što znatno<br />narušava performanse prepoznavanja u realnim uslovima upotrebe.<br />Stoga, ukoliko želimo da se karakteristike ovih sistema približe<br />ljudskim, neophodno je uključiti kontekst u adekvatnom obimu.<br />U ovoj tezi je predstavljen novi metodološki pristup kontekstno<br />zavisnom prepoznavanju govora u interakciji između čoveka i mašine.<br />Na metodološkom nivou, ovaj pristup je hibridan, jer integriše<br />statističke i simboličke metode, i kognitivno inspirisan, jer uzima u<br />obzir uvide u rezulatate is traživanja iz oblasti neurokognitivnih<br />nauka. Osnovni princip je da se ocenjivanje hipoteza sistema za<br />prepoznavanje vrši na osnovu njihove kontekstualne usklađenosti,<br />informacionog sadržaja i semantičke ispravnosti.<br />Pristup je ilustrovan prototipskim implementacijama za konkretne<br />domene interakcije.</p> / <p>Although the importance of contextual information in speech recognition has<br />been acknowledged for a long time now, it remained clearly underutilized<br />even in state-of-the-art speech recognition systems. This thesis introduces a<br />novel, methodologically hybrid approach to the research question of contextdependent<br />speech recognition in human-machine interaction. To the extent<br />that it is hybrid, the approach integrates aspects of both statistical and<br />representational paradigms. The aim of this thesis is to extend the standard<br />statistical pattern matching approach with a cognitively-inspired and<br />analytically tractable model with explanatory power. This methodological<br />extension allows for accounting for contextual information which is otherwise<br />unavailable in speech recognition systems, and using it to improve postprocessing<br />of recognition hypotheses. The thesis introduces an algorithm for<br />evaluation of recognition hypotheses, illustrates it for concrete interaction<br />domains, and discusses its implementation within two prototype<br />conversational agents.</p>