언어 및 음악 단기 기억의 시간적 그룹화 효과: 연속 순서 표현이 영역 전반에 적용됩니까? 2 부
Feb 18, 2024
요약하면, 본 연구는 톤 시퀀스의 즉각적인 직렬 재구성에 대한 시간적 그룹화의 효과를 조사하는 것을 목표로 했습니다.
성조 순서는 사람들이 언어를 배우고 암기할 때 흔히 겪는 문제이지만 개선하고 관리할 수 있습니다. 톤 시퀀스를 마스터하는 것은 기억력과 학습 효율성에 매우 중요합니다.
연구에 따르면 일련의 신호음은 뇌의 여러 부분을 자극하고 기억 센터를 자극할 수 있습니다. 이는 올바른 목소리 톤으로 기억력과 학습력을 향상시킬 수 있다는 것을 의미합니다. 예를 들어, 새로운 어휘를 배울 때, 우리는 그것을 기억하는 데 도움이 되도록 다양한 억양을 사용할 수 있고, 필요할 경우 스스로 다시 불러볼 수도 있습니다. 이 방법은 많은 중국어 및 외국어 학습에 사용될 수 있습니다.
일상생활에서 음조를 익히는 것은 사회적 기술과 대인관계 의사소통을 향상시킬 수 있습니다. 적절한 억양과 어조를 사용하는 법을 배우면 다른 사람과 더 잘 소통하고 이해할 수 있습니다. 특히 비즈니스 협상이나 서로 다른 문화 간의 의사소통에서는 정확한 어조와 억양이 더욱 중요합니다.
마지막으로 음조가 기분과 감정에 미치는 영향에 대해 언급하고 싶습니다. 다양한 목소리 톤을 사용하여 기분과 감정 상태를 조정할 수 있습니다. 예를 들어, 목소리 톤이 높으면 사람들이 신나고 행복한 느낌을 받을 수 있고, 목소리 톤이 낮으면 차분하고 온화한 느낌을 줄 수 있습니다.
요약하자면, 톤 시퀀스를 마스터하는 것은 우리의 기억력, 학습, 사회적 기술 및 감정 조절에 매우 중요합니다. 우리의 언어를 익히고 적절한 어조와 억양을 사용하여 삶의 질을 향상시키자. 기억력 향상이 필요하다는 것을 알 수 있는데, 시스탄체 데저티콜라에는 항산화, 항염증, 항노화 효과가 있어 뇌의 산화 및 염증 반응을 감소시켜 뇌를 보호할 수 있기 때문에 기억력을 크게 향상시킬 수 있습니다. 신경계의 건강. 또한 Cistanche Deserticola는 신경 세포의 성장과 복구를 촉진하여 신경 네트워크의 연결성과 기능을 향상시킬 수 있습니다. 이러한 효과는 기억력, 학습 및 사고 속도를 향상시키는 데 도움이 될 수 있으며 인지 기능 장애 및 신경퇴행성 질환의 발병을 예방할 수도 있습니다.
음성 시퀀스에 대해 관찰된 시간적 그룹화 효과와 언어 STM 문헌에 보고된 효과의 비교를 통해 우리의 목표는 (1) 음악 STM에서 연속 순서 표현의 기본 메커니즘에 대한 이해를 향상시키고 (2) 문제를 해결하는 것이었습니다. STM의 직렬 순서 프로세스의 도메인 일반성.
우리는 그룹화되지 않은 6- 톤 시퀀스와 세 항목으로 구성된 두 그룹으로 그룹화된 동일한 시퀀스 간의 연속 순서 정보의 순방향 재구성을 비교하는 첫 번째 사전 등록 실험을 수행했습니다.1
첫 번째 실험에서 얻은 결과를 바탕으로 실험 1에서 얻은 데이터와 직접 비교할 수 있도록 6- 문자 그룹화 및 그룹화되지 않은 시퀀스의 연속 회상이 필요한 사전 등록되지 않은 후속 온라인 실험을 수행했습니다.
음악(실험 1)과 언어(실험 2) 영역에서 시간적 그룹화 효과의 비교를 제한하는 천장 효과의 존재로 인해 천장 효과를 설명하기 위해 사전 등록되지 않은 또 다른 온라인 실험이 수행되었습니다. 전반적으로 이러한 실험은 다음과 같은 결론을 뒷받침합니다. 언어 영역과 음악 영역에서 관찰되는 시간적 그룹화 효과 사이의 유사성.
실험 1: 음악적 질서의 전방 재구성
방법
샘플링 계획. 현재 심리학 분야에서는 실험을 설계하고 통계적 추론을 하기 위해 베이지안 통계 기법을 사용하는 것을 선호하는 경향이 있습니다. 베이지안 통계는 여러 가지 이점을 제공합니다(검토 내용은 Dienes, 2016; Wagenmakers et al., 2018 참조).
예를 들어 베이지안 통계 분석을 통해 데이터 수집 중 통계적 증거를 모니터링할 수 있으며 데이터 수집 의도에 영향을 받지 않으며 선택적 중지 규칙에 민감하지 않습니다(Berger & Berry, 1988; Rouder, 2014). 이러한 고려 사항을 염두에 두고 실험 1에 대해 다음 샘플링 계획을 사용했습니다(샘플링 계획 결정에 대한 유사한 근거는 Wagenmakers et al., 2015 참조).
먼저 20명의 참가자를 모집하고 계획된 분석을 수행했습니다. 이러한 분석에 대해(자세한 내용은 "분석 계획" 섹션 참조) 베이즈 인자(BF)가 10 이상인 대안(H1) 또는 귀무(H0) 가설에 대한 강력한 통계적 증거를 얻은 경우 데이터 수집 중지됩니다. 계획된 분석 중 하나 이상에서 해당 기준이 충족되지 않으면 BF 값을 모니터링하면서 더 많은 참가자를 모집합니다.
즉, 5명의 참가자로 구성된 각 배치 후에 동일한 분석을 실행하고 계획된 모든 분석(H0 또는 H1)에 대한 강력한 통계적 증거에 도달할 때까지 계속했습니다. 그러나 자원의 한계로 인해 계획된 모든 분석에 대해 통계적 증거 기준을 충족하지 못함에도 불구하고 50명의 참가자 모집 후 데이터 수집을 중단할 계획이었습니다.
이 실험은 제네바 대학교 심리학 및 교육과학부 윤리위원회의 승인을 받았습니다. 제네바 대학의 심리학 1학년 학생 58명이 부분 과목 학점을 받는 대가로 실험 1에 참여했습니다.
최종 표본은 50명의 참가자로 구성되었습니다(여성 45명, 연령 n년: M=21.78, SD=1.95, 교육 수준(년): M=13.00 , SD=1.12; 음악 이론 학습 기간: M=0.35, SD=0.85; 음악 연습 기간: M=0.69, SD{ {16}}.04) 포함 기준을 충족하지 못한 8명의 참가자를 제외시킨 후(자세한 내용은 이 원고와 관련된 OSF 저장소의 인구통계학적 데이터 파일 참조). 포함 및 제외 기준.
우리는 음악적 전문 지식이 없는 참가자의 연속 순서 처리를 위한 음악 STM에 관심이 있었기 때문에 참가자는 실험 당시 음악 이론을 공부하거나 악기 연습(노래 포함)에 대한 경험이 3년 미만이어야 합니다. 신경학적 또는 언어 장애(예: 난독증)가 있는 참가자를 샘플에서 제외했습니다.
마지막으로, 우리는 분석에서 적어도 하나의 실험 조건에서 .17 확률 수준 이하의 성과를 보이는 모든 참가자의 데이터를 제외했습니다. 샘플링 계획을 준수하기 위해 제외된 참가자를 다른 참가자 모집으로 대체했습니다.
자극. 자극은 60개의 6-톤 시퀀스로 구성되었습니다. 6개의 제한된 세트를 사용하면 능동적인 간섭이 증가할 가능성을 줄이기 위해 Cmajor 스케일(C4에서 B5까지)의 모든 온음계 단계로 구성된 14개의 서로 다른 톤 세트를 사용했습니다. 톤은 Audacity(Audacity Team,2017)로 생성된 순수 사인파로 .wav 파일로 저장되었으며 각각 10ms의 상승 및 하강 주기로 500ms 동안 지속되었습니다.
톤 시퀀스는 일련 순서에 대한 언어 STM에 대한 이전 연구에서 적용한 세 가지 규칙에 따라 의사 무작위 순열을 사용하여 생성되었습니다(예를 들어 Hartley et al., 2016 참조).
1. 톤 세트에서 연속적인 두 개 이상의 연속 톤은 허용되지 않습니다(예: C4–E4–G4 또는 B4–D5–F5는 적합하지 않습니다).
2. 동일한 방향으로 2회 이하의 연속 간격(예: C4 [ ] E4 [ ] D5 [ ] G4는 허용되었지만 C4 [ ] E4 [ ] D5 [ ] F5는 허용되지 않았습니다.
3. 연속적인 시도에서 동일한 직렬 위치에 톤이 없습니다.
사용된 톤은 2옥타브를 포함하므로 익숙하지 않은 큰 간격이 존재하지 않도록 간격 크기를 최대 7반음으로 제한했습니다. 우리는 또한 시퀀스가 메이저 스케일과 고도로 관련되어 있음을 확인했습니다. 즉, 각 시퀀스는 메이저 스케일 중 하나 이상의 톤 분포 프로파일과 최소 .70의 최대 키 상관 관계를 갖습니다. 최대 키 상관관계는 Krumhansl & Schmucklerkey 검색 알고리즘(Krumhansl, 1990)을 사용하여 결정되었습니다.
두 그룹화 조건 간에 자극을 일치시키기 위해 그룹화되지 않은 시험의 30개 시퀀스를 재사용했지만 역순으로 재생하고 그룹화 시험에서 마지막부터 처음으로 제시했습니다.
고정된 톤 시퀀스 세트 사용으로 인한 원치 않는 효과를 방지하기 위해 각 참가자에 대해 사전에 의사 무작위로 생성된 새로운 톤 시퀀스 세트가 생성되었습니다. 생성된 각 시퀀스가 그룹 해제 및 그룹 실험 모두에서 사용되도록 하기 위해 짝수 참가자는 실험에서 이전 홀수 참가자의 그룹화 및 그룹 해제 시퀀스에 각각 해당하는 그룹 해제 및 그룹화 시퀀스를 가졌습니다.
실험적 설계. 실험은 2-참가자 내 요소 설계를 기반으로 했습니다. 두 가지 유형의 시퀀스는 두 개의 서로 다른 블록으로 표시되었으며 그룹화되지 않은 시퀀스는 항상 먼저 표시되었습니다.
이는 그룹화된 시퀀스를 먼저 제시하는 것을 피하기 위해 수행되었으며 그룹화되지 않은 시험에 대한 주관적인 그룹화 전략의 사용으로 이어질 수 있습니다(유사한 절차에 대해서는 Farrell & Lewandowsky, 2004; Hartley et al., 2016 참조). 그룹화되지 않은 시험의 경우 톤이 일정한 속도로 제시되었습니다. 절차.
절차는 총 60건의 임상시험에 대한 청각적 발표로 구성되었습니다. 자극은 휴대용 워크스테이션에 연결된 헤드폰을 통해 편안한 청각 수준에서 재생되었습니다. 각 시도는 500ms의 속도로 컴퓨터 화면 중앙에 3에서 1까지의 카운트다운으로 시작되었습니다. 톤 시퀀스는 500ms 동안 표시된 빈 화면에 연속적으로 재생되었습니다.
그룹화되지 않은 시험에서 톤은 150ms의 규칙적인 자극간 간격(ISI)으로 제시되었습니다. 그룹화된 시험에서 ISI는 그룹 내 항목(위치 1-2, 2-3,4-5, 5-6)의 경우 75ms였고 그룹 경계를 형성하는 항목 간(위치 3-4)의 경우 450ms였습니다. 시퀀스가 제시된 직후 화면에 가상 키보드가 표시되었고 참가자들은 터치스크린을 사용하여 시퀀스를 재구성했습니다.
참가자들은 순서대로 시퀀스를 재구성해야 했습니다. 이를 위해 첫 번째 위치에 해당하는 톤을 찾아서 확인한 다음 두 번째 위치로 계속 진행하여 전체 시퀀스를 재구성해야 했습니다. 가상 키보드를 다시 사용하여 톤 시퀀스를 재구성했습니다(그림 2). 재구성될 시퀀스에서 들리는 6개의 음을 나타내는 6개의 흰색 건반 레이어가 화면에 수평으로 표시되었습니다. Thetones는 왼쪽의 가장 낮은 것부터 오른쪽의 가장 높은 것까지 오름차순으로 구성되었습니다.
터치 스크린에서 키를 누를 때마다 해당 톤이 헤드폰을 통해 재생되었습니다. 키를 터치하면 키 색상이 녹색으로 변경되어 관련 신호음이 활성화됩니다(그림 2의 패널 1, 5, 7 또는 10 참조). 참가자가 현재 위치에 대한 신호음을 검색하고 키를 활성화한 후 다음 위치로 진행하기 위해 "검증" 버튼을 눌러야 했습니다(그림 2의 패널 4, 6, 8 또는 12 참조).
톤이 위치에 할당된 후 해당 키는 회색으로 변경되어 해당 톤을 더 이상 사용할 수 없으며 해당 키에 대한 청각 피드백이 꺼졌음을 나타냅니다. 위치를 확인하기 전에 "활성" 톤을 변경할 수 있었지만(그림 2의 패널 10-12 참조) 위치가 확인된 후에는 변경할 수 없었습니다.
어떤 위치에 대해 참가자가 해당 음을 기억하지 못하거나 추측하고 싶지 않은 경우 "?"를 선택하여 "모르겠어요"라고 대답할 수 있었습니다. 위치를 확인하기 전에 버튼을 누르세요(그림 2의 패널 11 참조). 마지막으로, 재구성 과정 중 언제든지 참가자들은 그때까지 재구성된 시퀀스를 들을 수 있는 기회를 가졌습니다(그림 2의 패널 9 참조).
가설
실험의 목적은 다음과 같습니다. (1) 비음악가의 시간적 그룹화 효과에 대한 연구를 통해 음악 STM의 순서 메커니즘의 본질을 더 잘 이해하고, 이를 통해 (2) STM의 연속 순서에 대한 도메인 일반성 가설을 평가할 수 있습니다. .
이를 달성하기 위해 우리는 그룹화되지 않은 톤 시퀀스와 그룹화된 6-톤 시퀀스에 대한 리콜 성능을 비교했으며, 직렬 리콜 정확도, 직렬 위치 곡선의 모양, 응답 대기 시간 및 삽입 오류 비율에 중점을 두었습니다. 연속 순서 STM의 도메인 일반성 가설에 따르면 그룹화되지 않은 시퀀스보다 그룹화된 시퀀스에 대해 더 높은 재현율이 관찰될 것으로 예측되었습니다.
우리는 또한 그룹화된 시퀀스에 대해 다중 곡선 직렬 위치 곡선의 존재를 예측했습니다. 마지막으로, 우리는 그룹화되지 않은 시퀀스보다 그룹화된 시퀀스에서 더 많은 삽입 오류를 관찰할 것으로 예상했습니다.
분석 계획
우리는 보고된 모든 계획(아래 설명) 및 탐색적 분석에 대해 기본 설정과 함께 오픈 소스 프로그램 JASP(버전 0.14,JASP Team, 2018)를 사용했습니다. 베이지안 t-테스트의 경우 , 사전은 r-scale이 0.707인 Cauchydistribution으로 표시되었습니다.
베이지안 분산 분석(ANOVA)의 경우 사전도 Cauchy 분포로 구성되었으며, 고정 효과와 무작위 효과에 대한 r 척도는 각각 .5와 1이었습니다. 정확도와 연속 위치 곡선을 재현합니다. 우리는 각 참가자의 직렬 위치 및 그룹화 조건의 함수로서 리콜 정확도를 평균하여 직렬 위치 곡선을 분석했습니다.
Then, we performed a 2 × 6 repeated-measures ANOVA, with a 2-level type of sequence factor (ungrouped vs. grouped) and a 6-level serial position factor (from 1 to 6). In case of an interaction between the two factors (i.e., the full model is the best model and is supported by a BF of at least 10, relative to the second-best model), we assessed the presence of mini-primacy and mini-recency effects in grouped sequences by comparing recall accuracy between Positions 1 and 2 (H1: 1>2), 위치 2 및 3(H1: 2<3), Positions 4 and 5 (H1: 4>5) 및 위치 5 및 6(H1: 5<6) via Bayesian paired samples t-tests.
조옮김 그라디언트. 우리는 각 조건과 각 참가자에 대해 개별적으로 변위의 함수로 전치 오류의 비율을 계산하여 전치 기울기를 분석했습니다. 이를 달성하기 위해 우리는 2-레벨 유형의 시퀀스 인자(그룹화되지 않은 것과 그룹화된 것) 및 10-레벨 변위 거리 인자(–5에서 5까지, { 제외)를 사용하여 2×5 반복 측정 ANOVA를 수행했습니다. {7}}).
If the full model turned out to be the best (i.e., BF>10 차선 모델과 비교하여 인접 변위 비율과 삽입 오류에 초점을 맞춰 상호 작용을 분석했습니다(자세한 내용은 다음 분석 참조).
개재 오류 및 인접 변위율. 개재 오류 및 인접 직렬 위치로의 이동 비율은 초기 그룹 내 위치(즉, 세 위치의 절대 거리)를 유지하는 항목의 그룹 간 이동과 관련된 오류의 비율과 절대 변위 거리를 특징으로 하는 연속 순서 전치의 비율을 계산하여 결정되었습니다. 모든 직렬 주문 오류 중 하나의 직렬 위치에 대한 각 시퀀스 유형에 대해 별도로(그룹화되지 않음)대 그룹화).
그런 다음 관찰된 삽입 오류 비율을 기준으로 두 그룹화 조건을 비교했습니다.
(H1: interpositions in grouped sequences>개재그룹화되지 않은 시퀀스의 경우) 및 인접 변위(그룹화된 시퀀스의 인접 변위)
결과
계획된 분석. 연속 위치(1-6) 및 그룹화 조건(그룹화 대 그룹화 해제)의 함수로서 리콜 정확도에 대해 수행된 2x6 반복 측정 BANOVA는 가장 좋은 모델이 두 가지 주요 효과가 있는 모델임을 나타냅니다(그림 3a 참조).
이 모델은 두 번째로 좋은 전체 모델보다 1.80배 더 선호됩니다(표 1의 "직렬 위치 곡선" 행 참조). 선호도는 일화적인 증거로만 특성화되었으므로 그 효과를 분석했습니다. 이는 관심 효과가 포함된 모든 모델에 걸쳐 증거를 평균화하는 방법을 통해 JASP를 통해 수행되었습니다. 데이터는 연속 위치 효과(BFInclusion=)의 존재를 지지하는 결정적인 증거, 그룹화 효과(BFInclusion=31.28)를 지지하는 매우 강력한 증거, 그리고 다음을 지지하는 일화적 증거를 제공했습니다. 상호작용의 존재(BFInclusion=2.15).
초기 계획대로, 상호 작용의 존재가 데이터에 의해 지원되지 않았기 때문에 그룹화된 시퀀스 내 최소 우선성과 최소 최근 효과를 분석하지 않았습니다. 전치 오류의 비율에 대해 수행된 2 × 10 반복 측정 ANOVA는 다음과 같습니다. 전치 거리(-5에서 5, 0 제외) 및 그룹화 조건(그룹화 대 그룹화 해제)의 함수를 통해 데이터를 설명하는 가장 좋은 모델은 전체 모델임을 나타냅니다(그림 3b 참조).
이 모델은 173.36배의 거리 효과만 포함하는 두 번째 최고 모델보다 선호되며, 이는 최상의 모델에 대한 결정적인 지원을 나타냅니다(표 1의 "전위 기울기" 행 참조).
그룹화 조건과 전치 거리 간의 상호 작용에 대한 명확한 지원을 바탕으로 처음 계획된 두 그룹화 조건 간의 인접 전치 및 삽입 비율을 비교했습니다.
For more information:1950477648nn@gmail.com
