In traditionele onderwijsomgevingen kunnen niet alle taalleerders onmiddellijke, gepersonaliseerde feedback krijgen op hun spreekvaardigheid. Dit proefschrift pakt deze uitdaging aan door slimme computersystemen te ontwikkelen die de spraak in een tweede taal automatisch evalueren, waarbij de nadruk ligt op hoe goed een spreker te verstaan is en waar hij of zij fouten maakt. Het onderzoek levert verschillende belangrijke doorbraken op. Ten eerste toont het aan dat ritme en spreeksnelheid net zo essentieel zijn als individuele letterklanken bij het beoordelen van de vaardigheid van een leerling. Ten tweede slaagt het onderzoek erin modellen te bouwen die nauwkeurig voorspellen hoe begrijpelijk een spreker zal zijn voor menselijke luisteraars. Ten derde laat het zien dat het combineren van spraakgegevens uit verschillende regionale dialecten weliswaar de algemene computerherkenning verbetert, maar dat dit juist het nauwkeurig opsporen van fouten kan belemmeren vanwege regionale verschillen. Uiteindelijk gaat de technologie, door kennis over hoe de menselijke mond fysiek geluiden produceert te integreren in geavanceerde AI-modellen, verder dan een simpele „goed of fout“-beoordeling. In plaats daarvan bereikt het diepgaande diagnostische mogelijkheden, waarmee de weg wordt vrijgemaakt voor de volgende generatie geautomatiseerde begeleidingshulpmiddelen die gedetailleerde, bruikbare coaching bieden om leerlingen te helpen natuurlijker en zelfverzekerder te spreken.
Xing Wei (1989) behaalde zijn masterdiploma aan de Beijing Language and Culture University. Tijdens deze periode ontwikkelde hij een sterke onderzoeksinteresse in computerondersteund taalonderwijs, waarbij hij onderzocht hoe technische oplossingen kunnen worden toegepast op taalverwerving. Eind 2018 verhuisde hij, met steun van een beurs van de China Scholarship Council, naar Nederland om zijn doctoraat te behalen aan de Radboud Universiteit. Zijn onderzoeksinteresses omvatten automatische spraakherkenning en tweede-taalverwerving.