تجربه زبان مادری پردازش لحن خارجی پیش از توجه را شکل می دهد و ایجاد ردیابی سریع حافظه را راهنمایی می کند: مطالعه ERP قسمت 5

2.5|تحلیل آماری

2.5.1|داده های رفتاری

برای آزمایش اثرات احتمالی شباهت L1-L2 در نتایج رفتاری، ما پاسخ‌های رفتاری به کارآزمایی‌های تناسب تناسب را با تمرکز بر تفاوت‌های بین کلمات با رنگ‌های کانتور و کلمات با آهنگ‌های سطح تحلیل کردیم.

در سال‌های اخیر، محققان رابطه قوی بین لحن صدا و حافظه را کشف کرده‌اند. به طور خاص، تون های کانتور (یا "تن های پرش") به خاطر سپردن یک کلمه یا عبارت برای ما آسان تر می شوند. این به این دلیل است که صداهای منحنی به شنونده اجازه می دهد تا اطلاعات کلیدی و محتوای احساسی را بهتر دریافت کند و ذخیره آن را در حافظه بلند مدت آسان تر می کند.

برخی از مطالعات نشان داده‌اند که افراد به احتمال زیاد کلماتی را با زنگ‌های واضح به یاد می‌آورند، که می‌تواند اطلاعات را با وضوح بیشتری نسبت به صداهای صاف در مغز پردازش کند. به عنوان مثال، وقتی یک هجای تاکید شده را در یک کلمه یا عبارت می شنویم، متوجه این اطلاعات می شویم و راحت تر آن را در حافظه خود برنامه ریزی می کنیم.

علاوه بر این، تون های کانتور می توانند اطلاعات احساسی را منتقل کنند که برای حافظه نیز مهم است. ما تمایل داریم وقایع و اطلاعات را با احساسات و تجربیات عاطفی راحت‌تر به خاطر بسپاریم. بنابراین، تن های کانتور به ما کمک می کنند این خاطرات عاطفی را در مغز خود ذخیره کنیم.

به طور کلی، اثرات رنگ های کانتور به ما کمک می کند بهتر به خاطر بسپاریم. در زندگی روزمره و کار می توانیم به لحن صدای خود در هنگام صحبت با دیگران توجه کنیم. به خصوص در سخنرانی‌ها، جلسات، تبلیغات و مناسبت‌های مختلف، باید توجه بیشتری به استفاده از تون کانتور برای بهبود افکت حافظه داشته باشیم. از طریق آموزش، می‌توانیم حساسیت خود را نسبت به گفتار بهبود بخشیم و به ما کمک کنیم تا اطلاعات مهم را بهتر به خاطر بسپاریم و کارایی کار و کیفیت زندگی را بهبود بخشیم. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانچ دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد زیرا سیستانچ دسرتیکولا یک ماده دارویی سنتی چینی است که اثرات منحصر به فرد بسیاری دارد که یکی از آنها بهبود حافظه است. اثربخشی گوشت چرخ کرده از ترکیبات فعال مختلف آن، از جمله اسید، پلی ساکاریدها، فلاونوئیدها و غیره ناشی می شود. این مواد می توانند به طرق مختلف سلامت مغز را تقویت کنند.

روی روش های بهبود عملکرد مغز کلیک کنید

برای این منظور، میانگین داده‌های متغیرهای رفتاری «دقت پاسخ» و «زمان پاسخ» را به‌طور جداگانه به دو تحلیل واریانس مختلط (ANOVA) با عامل تجربی «نوع تن» (تن‌های کانتور در مقابل تن‌های سطح)، عامل زمانی «روز» ارسال کردیم. (روز 1 در مقابل روز 2) و عوامل بین موضوعی "گروه یادگیرنده" (L1s تونال در مقابل L1s غیرتونال) و "گروه لحن هدف" (زیاد/پایین در مقابل کم/بالا).

ResponseTimes از طریق تبدیل log نرمال شد و برای دقت، امتیازهای d محاسبه شد. از آنجایی که دو شرکت‌کننده از مطالعه حذف شدند، زیرگروه‌های آهنگ هدف در اندازه‌های مختلف (11 یا 12) بودند.

هر جا که گروه‌های هدف هم‌اندازه برای تجزیه و تحلیل آماری ضروری بود، از میانگین انتساب استفاده کردیم. تمام تحلیل‌های رفتاری در SPSS 26 (International Business Machines [IBM] Corp.، Armonk، NY، ایالات متحده) انجام شد.

2.5.2|ERP ها

برای داده‌های ERP، ما پنجره‌های دو زمانه (۵۰ تا ۷۰ میلی‌ثانیه و ۴۰۰ تا ۶۰۰ میلی‌ثانیه) را انتخاب کردیم که انتظار داشتیم بر اساس ادبیات قبلی، تأثیر شباهت L1-L2 را بر روی ویژگی‌های آهنگ یا لحن در پردازش کلمه مشاهده کنیم (Gosselke Berthelsenet al., 2018، 2020).

با استفاده از این پنجره‌های زمانی از پیش تعریف‌شده، آزمایش‌های جایگشت مبتنی بر خوشه را برای عامل «نوع تن» انجام دادیم. میانگین دامنه های ERP بلوک 1 (در روز 1) از هر دو گروه شرکت کننده، با هم و به طور جداگانه، برای پنجره های زمانی و شرایط انتخاب شده (یعنی کلمات با رنگ های خطی در مقایسه با کلمات با آهنگ های سطح) به تجزیه و تحلیل جایگشت با استفاده از خوشه-مبنای ناپارامتری ارسال کردیم. رویکرد جایگشت در جعبه ابزار Fieldtrip برای Matlab اجرا شده است (ماریس و اوستنولد، 2007).

ما 1000 جایگشت تصادفی از داده ها را با روش مونت کارلو اجرا کردیم تا مجموعه داده های بزرگ را در نظر بگیریم و خوشه هایی از سه یا چند الکترود را با مقدار p-valueof در نظر گرفتیم.<.05 significant. We additionally tested for interactions with "Learning" (target word vs control word) in the permutation analysis to see whether target words differed from control words. 

این تعامل به ویژه برای اثر تشخیص کلمه در 50 میلی‌ثانیه مهم بود، جایی که قبلاً دیده شده بود که زبان‌آموزان به طور خودکار کلمات هدف را از کلمات کنترل جدا می‌کنند (Gosselke Berthelsen et al., 2020). ANOVA برای آزمایش تعاملات احتمالی با عوامل زمانی و بین موضوعی.

بنابراین، یک میانگین دامنه ERP را در پنجره‌های زمان تجزیه‌وتحلیل و تمام الکترودهای خوشه‌ای محاسبه کردیم. این کار برای هر شرکت کننده در هر بلوک و روز انجام شد. دامنه‌های میانگین به‌دست‌آمده سپس به یک ANOVA مختلط با عوامل آزمایشی درون موضوعی «نوع لحن» و «یادگیری»، عوامل زمانی «روز» و «بلاک» و همچنین عوامل بین موضوعی «گروه یادگیرنده» ارسال شدند. در صورت وجود) و "گروه هدف آهنگ".

ANOVA در SPSS 26 (IBM) انجام شد. در صورت لزوم از تصحیح گلخانه-Geisser استفاده شد. برای مقایسه‌های زوجی چندگانه، اصلاحات نرخ کشف نادرست (FDR) (بنجامینی و هوچبرگ، 1995) اعمال شد.

2.5.3|همبستگی ها

برای آزمایش اینکه آیا اثرات ERP تحت تأثیر رفتار یادگیری فردی قرار می‌گیرد، ما دو همبستگی پیرسون دو طرفه را با متغیرهای "تغییر دامنه برای اثر واژگانی" و "تغییر دامنه برای منفی قدامی" از یک طرف و "تغییر زمان پاسخ" و "دقت پاسخ" انجام دادیم. تغییر، از سوی دیگر.

تغییری که در اینجا مورد بررسی قرار گرفت به عنوان تفاوت در پاسخ‌های رفتاری یا ERP بین نیمه اول و دوم روز 1، جایی که بخش عمده‌ای از یادگیری در آن انجام شد، تعریف شد. تجزیه و تحلیل همبستگی در SPSS (IBM) انجام شد. اصلاحات FDR روی مقادیر p همبستگی اعمال شد.

3|نتایج

3.1|نتایج رفتاری

برای دقت پاسخ، هیچ اثر اصلی قابل توجهی از نوع آهنگ و هیچ تعامل قابل توجهی با عوامل نوع آهنگ، گروه یادگیرنده، یا گروه هدف لحن وجود نداشت.

یک اثر اصلی از عامل زمانی روز، F(1،44)= 44.18، p <.001، 휂2p=0.501، شواهدی از یادگیری را بدون توجه به مجموعه ای از آهنگ های زبان آموزان نشان داد. اکتسابی که انواع تون مورد آزمایش قرار گرفت. بنابراین، دقت پاسخ از روز 1 (M=60.5%, SD=25.4، محدوده=5.6 – 97.1) تا روز 2 (M=68) به طور قابل توجهی افزایش یافت. 8%, SD=29.6، محدوده =2.9 - 100).

برای آمار توصیفی، از درصدها برای سادگی و مقایسه در بین نتایج و سایر مطالعات استفاده می‌کنیم، در حالی که تجزیه و تحلیل آماری بر روی داده‌های d انجام شد. برای نموداری که نتایج دقت و تغییر در طول زمان را نشان می دهد، لطفاً به شکل 5 مراجعه کنید.

برای Response Times، یک تعامل قابل توجه از ToneType و Tone Target Group، F(1,44)=4.63, p=0.037,휂2p=0.10، به اثر اصلی Tone Typein the low/rise group, F(1,22)=6.69, p=0.015, 휂2p=0.23.

عدم تطابق با مرجع تصویری بر اساس زنگ‌های کم (M=1515 ms، SD=986، محدوده=219 - 4279) به‌طور قابل‌توجهی سریع‌تر از خطاهای مبتنی بر آهنگ‌های افزایش‌یافته (M{{4}) شناسایی شد. } ms، SD=1093، محدوده=303 – 4241). اثر اصلی نوع لحن وجود نداشت و هیچ اثر متقابل معنی‌داری شامل عوامل نوع لحن، گروه یادگیرنده یا گروه هدف لحن وجود نداشت.

اثر اصلی فاکتور زمانی، F(1،44)=35.53، p <.001، 휂2p=0.45، شواهدی از یادگیری را نشان داد بدون توجه به نوع لحنی که یادگیرندگان آموزش داده شده یا مورد آزمایش قرار گرفته اند. بر. برای این منظور، از روز 1 (M =2056 ms, SD=329, range=488 – 4279) تا روز 2 (M=1427) بهبود قابل توجهی در زمان پاسخ‌گویی مشاهده شد. ms، SD=153، محدوده=199 – 4241). تجزیه و تحلیل بر روی داده های log-transformed انجام شد. ResponseTimeهای خام واقعی نیز برای توصیف داده ها گزارش می شوند.

3.2|نتایج ERP

3.2.1|50-70 میلی ثانیه

برای پنجره زمانی اولیه، یک تعامل بین ToneType و Learning، به عنوان مثال، مقایسه سطح و کانتور تونزین هدف و کلمات کنترل، یک خوشه الکترود مرکزی قابل توجه (FC2، FC4، C1، Cz، C2، C4، CP1، Cpz، CP2) ایجاد کرد. p=0.026، d=0.87، در گروه L1 تونال.

ERP ها و توپوگرافی ها را برای تعامل در شکل 6 ببینید. هیچ خوشه قابل مقایسه ای در گروه L1 غیرتونال یا برای همه شرکت کنندگان به طور جمعی شناسایی نشد.

تجزیه و تحلیل جایگشت هیچ خوشه قابل توجهی برای تفاوت بین آهنگ های سطح و کانتور بدون تعامل با یادگیری (نه برای همه شرکت کنندگان به طور جمعی و نه برای گروه های شرکت کننده به طور جداگانه) ایجاد نکرد. برای نشان دادن توزیع دامنه تفریق در داخل و بین گروه ها، لطفاً به شکل 7 مراجعه کنید.

بررسی بیشتر خوشه قابل توجه گروه L1 thetonal در یک ANOVA مختلط، یک تعامل گروه تون هدف نوع تون * یادگیری * نشان داد که اثر مشاهده‌شده برای تن‌های کانتور (یعنی کنترل‌ها از هدف‌ها منفی‌تر بودند) فقط در گروه بالا/پاییز معنی‌دار بود.

ثانیاً، تعامل با زمان نشان داد که تنها دامنه کلمات کنترل در طول زمان تغییر کرده و کمتر منفی می‌شود. برای نتایج دقیق، جدول 2 را ببینید.

3.2.2|400-600 میلی‌ثانیه

برای دومین پنجره بار، تجزیه و تحلیل جایگشت دو خوشه معنی‌دار برای مقایسه کلمات با زنگ‌های کانتور و کلمات با صدای سطح برای 20 دقیقه اول جلسه اول در همه شرکت‌کنندگان تولید کرد.

یک خوشه پیشانی مرکزی قابل توجه (AF3، AF4، AF8، F5، F3، F1، Fz، F2، F4، FC5، FC3، FC1، FC2، FC4، FC6، C3، C1، C2، C4)، p <.001، d=0.38، و همچنین یک خوشه خلفی قابل توجه (FT7، FT8، TP7، CP6، TP8، P7، P5، P8، PO7، POz، PO8، Oz)، p <.001، d {{ 32}}.33. شکل 8 را ببینید.

ANOVA ترکیبی از میانگین دامنه ERP خوشه frontocentral برای همه شرکت‌کنندگان در 20-دقیقه‌ها، چندین اثر و تعامل اصلی را برای نوع آهنگ، یادگیری و عوامل زمانی Block and Day به همراه داشت، برای جزئیات به جدول 3 مراجعه کنید.

با توجه به نوع تن، تن های سطح منفی تر از تن های کانتور بودند.
این تفاوت در گروه L1 تونال قوی تر از گروه L1 تونل بود.

برای یادگیری، متوجه شدیم که کلمات هدف، منفی‌های بزرگ‌تری نسبت به کلمات کنترل ایجاد می‌کنند (شکل 8 را ببینید). این تفاوت دوباره در گروه tonalL1 بیشتر بود و همچنین در روز 2 قوی تر از روز 1 بود. در نهایت، کاهش کلی منفی در طول زمان مشاهده شد.

برای خوشه خلفی، تأثیرات عملاً از خوشه فرونتوسنتال قابل تشخیص نبودند، اما در قطبیت معکوس بودند: همه تأثیرات اصلی تقریباً مشابه موارد بالا بودند، همانطور که خوشه‌های تعامل حیاتی بودند.

فقط دو برهمکنش منحصر به فرد در خوشه خلفی ظاهر شدند. بنابراین، ما مثبت بودن را به عنوان یک اثر دوقطبی در نظر گرفتیم و برای اختصار، اثرات و تعاملات قابل توجه مشاهده شده را برای خوشه‌های مثبت پشتی اطلاعات پشتیبان S1 به جای در متن اصلی ارائه می‌کنیم.

3.2.3|نتایج همبستگی

برای اثر اولیه، هیچ ارتباط معنی‌داری بین تغییرات رفتاری و داده‌های عصبی فیزیولوژیکی یافت نشد (8/0p>). تجزیه و تحلیل بیشتر همبستگی معنی داری را برای زیرگروه H/F فراگیرنده تونال برای این اثر نیز نشان نداد (p> 0.2).

همبستگی معنی داری بین تغییر دامنه برای منفی قدامی و تغییر دقت پاسخ مشاهده شد، r=−.353، p=0.040، به طوری که هر چه بهبود دقت در روز اول بیشتر باشد، دامنه اختلاف کوچکتر است. برای منفی قدامی شد. ارتباط معنی داری با تغییر زمان پاسخ وجود نداشت (7/0 p >).

4|بحث

4.1|جزء تشخیص کلمه: جلوه های انتقال

تأثیر واضحی از تجربه و آشنایی زبان مادری در مؤلفه دروازه‌بندی واژگانی پیش از توجه در 50 میلی ثانیه وجود داشت. اثر تسهیل در این تأخیر تنها در بالاترین درجه شباهت L1-L2 یافت شد. زبان‌آموزان ما نشانه‌هایی از اکتساب کلمه تسهیل شده را برای همه کلمات هدف آهنگی یا همه کلمات هدف با زنگ‌های کانتور نشان ندادند، بلکه فقط برای کلمات هدف با لحن در حال سقوط نشان دادند.

این در کاهش منفی آشکار شد که ما فرض می‌کنیم نشان‌دهنده یک شکل‌گیری موفق و سریع ردیابی کلمه برای کلمات هدف با تن‌های ریزش است، به طوری که در 20 دقیقه اول اکتساب، آنها مانند کلمه واقعی پردازش شدند. روندی به سمت کاهش دامنه مشابه قبلاً برای کلمات واقعی در زبان ماندارین دیده شده بود (Yue et al., 2014).

پس از چهار دقیقه تکرار کلمه و شبه کلمه قانونی، به نظر می رسید که عصبی بودن نسبت به کلمات واقعی کاهش یافته است. با این حال، توجه داشته باشید که یو و همکاران. از تحلیلی استفاده نکردند که بتواند اثرات فرکانس ناشی از مقایسه محرک‌های انحرافی مکرر و نادر را خنثی کند (ر.ک. Shtyrov & Lenzen, 2017) و بنابراین، تغییر دامنه را برای انحرافات واقعی کلمه در تجزیه و تحلیل آماری خود تشخیص نداد.

همچنین، پنجره زمانی آنها طولانی تر از ما بود. ما در اینجا به روند اشاره می کنیم زیرا Yue و همکاران. (2014) تنها مطالعه ای است که به این مؤلفه اولیه در زمینه کلمات لحنی نگاه می کند. قابل ذکر است، برای کلمات بدون لحن، همان اثر قبلاً توسط Kimppa و همکاران گزارش شده بود. (2015).

با این مطالعات قبلی، ما اندازه اثر کاهش یافته برای کلمات هدف محدود1-به عنوان شواهدی مبنی بر اینکه کلمات به سرعت استثنایی مانند کلمات واقعی به دست آمده و پردازش شده اند تفسیر می کنیم.

از سوی دیگر، کلمات کاذب، حتی آنهایی که الگوی زیر و بمی یکسانی دارند، و کلمات هدف غیر تسهیل شده، به سرعت به دست نمی‌آیند و بنابراین باعث افزایش منفی می‌شوند.

این منفی بودن احتمالاً سیگنالی از فرآیند شکل‌گیری ردیابی حافظه در حال انجام و ناقص برای کلمات آموزش‌نگرفته و تسهیل‌نشده است. مطابق با ایده فرآیند ردیابی کلمه‌ای در حال انجام، منفی بودن هم برای کلمات هدف و هم برای کلمات کنترل در طول جلسات یادگیری اندکی کاهش یافت (کلمات هدف: MB{{{{{{ 6}}}} −1.02μV ±SD=0.8μV, MB6=−0.99± 0.8μV; کلمات کنترل: MB{{10}} -1.31 ± 1.0 μV، MB{15}} -0.90 ± 0.8 μV).

این کاهش تنها برای کلمات کنترلی که دامنه در ابتدا بالاترین بود، معنی‌دار بود. جالب توجه است، کاهش دامنه در یک الگوی گام به گام برای هر دو نوع کلمه پیش رفت، به طوری که دامنه پس از شکست بین بلوک‌های 2 و 3 و بلوک‌های 4 و 5 دوباره افزایش یافت (مثلاً، کلمات هدف: MB1=-1 را رجوع کنید). 02 μV ± SD=0.8 μV، مگابایت{{10}}-0.99 ± 0.9 μV، مگابایت{{ 15}} −1.12±0.9 میکروولت، مگابایت{{20}} −0.88 ± 0.9μV، مگابایت5=− 0.94±0.8μV, MB{30}} ±0.99±0.8μV).

در کنار این واقعیت که ما هیچ تأثیری از جلسه یادگیری برای دامنه پاسخ در این تأخیر نیافتیم، این نشان می‌دهد که ردیابی کلمات فقط به طور موقت برای کلمات با واج‌شناسی غیربومی (یعنی زنگ‌ها) ایجاد شده است.

بنابراین، فقط کلمات با واج‌شناسی بومی (و تابعی آشنا) دارای دامنه کاهش پیوسته (M=0.78 μV) هستند، که نشان می‌دهد فرآیند تشکیل سریع ردیابی کلمه به شبکه واج‌شناسی عصبی بومی و ردپای آن کلمه برای L{ وابسته است. {2}}مثل کلمات بدیع تقریباً فوراً و به طور دائمی شکل گرفتند.

For more information:1950477648nn@gmail.com