أثبتت نماذج اللغة السمعية (Audio-Language Models) قدرتها الكبيرة في تحسين الأداء في اختبارات الصوت والكلام، لكن هناك تساؤلات جدية حول مدى دقة هذه النتائج في قياس الفهم السمعي الحقيقي.
تقدم هذه الدراسة إطار عمل تشخيصي جديد قائم على محورين رئيسيين: **الأولوية النصية (Text Prior)**، التي تقيس مدى الاعتماد على المعرفة النصية العامة فقط للإجابة، و**الاعتماد على الصوت (Audio Reliance)**، الذي يقيم مدى الحاجة الفعلية للإشارة الصوتية.
عند تقييم ثمانية نماذج من السياقات السمعية عبر ثلاثة معايير مختلفة، وُجد أن هذه النماذج تحتفظ بنسبة تتراوح بين 60% و72% من نتائجها العالية حتى دون إدخال أي إشارات صوتية. على الرغم من أن بعض العناصر تتطلب الاستماع، إلا أن فقط 3.0% إلى 4.2% منها يحتاج إلى عرض كامل للمقاطع الصوتية؛ في حين يمكن معالجة معظمها باستخدام مقاطع محلية قصيرة.
تتحدى هذه النتائج الفرضية السائدة بأن الأداء العالي في المعايير يساوي فهماً قوياً للأصوات. لذا، توصلنا في النهاية إلى بعض التوجيهات العملية لتعزيز موثوقية التقييم وتصميم المعايير بشكل أفضل.