言語的および音楽的短期記憶における時間的グループ化効果: 連続順序表現は領域一般的か? パート2
Feb 18, 2024
要約すると、本研究は、トーン シーケンスの即時シリアル再構成に対する時間的グループ化の影響を調査することを目的としました。
声調シーケンスは、言語を学習および記憶するときに人々が直面する一般的な問題ですが、改善し、管理することができます。 トーンシーケンスをマスターすることは、記憶力と学習効果にとって非常に重要です。
研究によると、一連の音は脳のさまざまな部分を刺激し、記憶中枢を刺激する可能性があります。 これは、正しい声の調子を使えば、記憶力と学習力を高めることができることを意味します。 たとえば、新しい語彙を学習するとき、さまざまなイントネーションを使用して覚えやすくしたり、必要に応じて自分で歌い返すこともできます。 この方法は多くの中国語や外国語の学習に使用できます。
日常生活において、ピッチをマスターすると、社会的スキルや対人コミュニケーションを向上させることができます。 適切なイントネーションと声のトーンを使用することを学ぶことで、他の人とよりよくコミュニケーションし、お互いを理解できるようになります。 特にビジネス交渉や異文化間のコミュニケーションでは、正しい口調やイントネーションがさらに重要になります。
最後に、ピッチが気分や感情に与える影響について触れたいと思います。 さまざまな声のトーンを使用することで、気分や感情状態を調整できます。 たとえば、高い声のトーンは人に興奮や幸せな気分をもたらしますが、低い声のトーンは穏やかで優しい感情をもたらします。
要約すると、トーンシーケンスを習得することは、記憶、学習、社会的スキル、感情のコントロールにとって非常に重要です。 生活の質を向上させるために、言語を習得し、適切な口調とイントネーションを使用しましょう。 私たちは記憶力を向上させる必要があることがわかります。カンクサには抗酸化作用、抗炎症作用、および老化防止効果があり、脳内の酸化と炎症反応を軽減し、それによって脳を保護する効果があるため、カンクサは記憶力を大幅に向上させることができます。神経系の健康。 さらに、カンクサは神経細胞の成長と修復を促進し、神経ネットワークの接続と機能を強化します。 これらの効果は、記憶、学習、思考速度の向上に役立ち、認知機能障害や神経変性疾患の発症も防ぐ可能性があります。
トーンシーケンスで観察された時間的グループ化効果と口頭 STM 文献で報告されているものとの比較を通じて、私たちの目標は、(1) 音楽 STM における連続順序の表現の根底にあるメカニズムについての理解を深め、(2) 音シーケンスの問題に対処することでした。 STM におけるシリアルオーダー プロセスのドメイン一般性。
私たちは、グループ化されていない6-トーン シーケンスと、3 つのアイテムの 2 つのグループにグループ化された同じシーケンスの間でシリアル順序情報の前方再構成を比較する、最初の事前登録実験を実施しました。1
最初の実験で得られた結果に基づいて、実験 1 で得られたデータとの直接比較を可能にするために、6- 文字のグループ化されたシーケンスとグループ化されていないシーケンスの連続呼び出しを必要とする、事前登録されていないフォローアップ オンライン実験が実施されました。
音楽 (実験 1) と言語 (実験 2) の領域における時間グループ化効果の比較を制限する天井効果の存在のため、天井効果を説明するために、事前登録されていない別のオンライン実験が実施されました。全体として、これらの実験は、結果が近いことを裏付けています。言語領域と音楽領域で観察される時間的なグループ化効果の類似性。
実験 1: 音楽順序の順方向再構成
方法
サンプリング企画。 現在、心理科学の分野では、実験を計画し統計的推論を行うためにベイズ統計手法の使用を支持する傾向があります。 ベイズ統計にはいくつかの利点があります (レビューについては、Dienes, 2016; Wagenmakers et al., 2018 を参照)。
たとえば、ベイジアン統計分析では、データ収集中の統計的証拠の監視が可能であり、データ収集の意図に影響されず、オプションの停止ルールの影響を受けません(Berger & Berry, 1988; Rouder, 2014)。 これらの考慮事項を念頭に置いて、実験 1 では次のサンプリング計画を使用しました (サンプリング計画を決定する際の同様の理論的根拠については、Wagenmakers et al.、2015 を参照)。
まず最初に 2 名の参加者を募集し、計画された分析を実施しました。 これらの分析 (詳細については「分析計画」セクションを参照) で、ベイズ係数 (BF) が 10 以上の対立仮説 (H1) または帰無仮説 (H0) のいずれかについて強力なレベルの統計的証拠が得られた場合、データ収集止められるだろう。 計画した分析の少なくとも 1 つでその基準が満たされなかった場合は、BF 値を監視しながらさらに参加者を募集します。
言い換えれば、5 人の参加者の各バッチの後に同じ分析を実行し、計画されたすべての分析 (H0 または H1) について強力な統計的証拠に達するまで継続しました。 ただし、リソースの制限により、計画されたすべての分析について統計的証拠の基準を満たさなかったとしても、50 人の参加者を募集した後はデータ収集を停止する予定でした。
この実験は、ジュネーブ大学心理教育科学部の倫理委員会によって承認された。 ジュネーブ大学の心理学の 1 年生 58 名が、コース単位の一部と引き換えに実験 1 に参加しました。
最終サンプルは 50 人の参加者で構成されました (女性 45 人、年齢 n 歳: M=21.78、SD=1.95、学歴: M=13。00) 、SD=1.12; 音楽理論の学習年数: M=0.35、SD=0.85; 音楽実践の年数: M=0.69、SD{ {16}}.04) 包含基準を満たさなかった 8 人の参加者を除外した後 (詳細については、この原稿に関連する OSF リポジトリの人口統計データ ファイルを参照してください)。包含基準と除外基準。
私たちは音楽の専門知識のない参加者によるシリアル注文処理のための音楽 STM に興味を持っていたため、実験の時点では参加者は音楽理論の学習または楽器の練習 (歌を含む) の経験が 3 年以内でなければなりませんでした。 神経障害または言語障害（失読症など）のある参加者をサンプルから除外しました。
最後に、少なくとも 1 つの実験条件で 0.17 確率レベル以下のパフォーマンスを示した参加者のデータを分析から除外しました。 サンプリング計画を遵守するために、除外された参加者は他の参加者を募集することで置き換えられました。
刺激。 刺激は 60 個の 6- トーン シーケンスで構成されていました。 6 つのトーンの限られたセットを使用すると積極的な干渉が増加する可能性を減らすために、C メジャー スケール (C4 から B5 の範囲) の全ダイアトニック ステップで構成される 14 の異なるトーンのセットを使用しました。 トーンは Audacity (Audacity Team、2017) で生成された純粋なサイン波で、.wav ファイルとして保存され、それぞれ 500 ミリ秒継続し、立ち上がりと立ち下がりの期間は 10 ミリ秒でした。
トーン シーケンスは、シリアル順序の口頭 STM に関する以前の研究から適応された 3 つのルールに従う擬似ランダム順列を使用して生成されました (たとえば、Hartley et al.、2016 を参照)。
1. トーン セット内でも連続するトーンは 2 つまでです（たとえば、C4 – E4 – G4 または B4 – D5 – F5 は正当ではありません）。
2. 同じ方向の連続する間隔は 2 つまでです (例: C4 [ ] E4 [ ] D5 [ ] G4 は許可されましたが、C4 [ ] E4 [ ] D5 [ ] F5 は許可されません)。
3. 連続試行で同じ連続位置にトーンがない。
使用されるトーンは 2 オクターブをカバーするため、見慣れない大きな音程の存在を避けるために、音程サイズを最大 7 半音に制限しました。 また、シーケンスがメジャースケールと高度に関連していることも確認しました。 言い換えれば、各シーケンスは、メジャー スケールの少なくとも 1 つのトーン分布プロファイルと少なくとも 0.70 の最大キー相関を持っています。 最大のキー相関は、Krumhansl & Schmucklerkey 検索アルゴリズム (Krumhansl、1990) を使用して決定されました。
2 つのグループ化条件間で刺激を一致させるために、グループ化されていないトライアルからの 30 シーケンスを再利用しましたが、それらを逆のシリアル順序で再生し、グループ化されたトライアルの最後から最初に提示しました。
固定セットのトーン シーケンスの使用によって生じる望ましくない効果を防ぐために、疑似ランダムに作成された新しいセットのトーン シーケンスが各参加者に対して事前に生成されました。 作成された各シーケンスがグループ化されていないトライアルとグループ化されたトライアルの両方で使用されることを保証するために、偶数番号の参加者は、実験における前の奇数番号の参加者のグループ化されたシーケンスとグループ化されていないシーケンスにそれぞれ対応するグループ化されていないシーケンスとグループ化されたシーケンスを持ちました。
実験計画。 この実験は、参加者内の要素設計に基づいて行われました。{0} 2 種類のシーケンスは 2 つの異なるブロックに表示され、グループ化されていないシーケンスが常に最初に表示されます。
これは、グループ化された配列を最初に提示すると、グループ化されていない試験に対して主観的なグループ化戦略の使用につながる可能性があることを避けるために行われました (同様の手順については、Farrell & Lewandowsky, 2004; Hartley et al., 2016 を参照)。 グループ化されていないトライアルでは、トーンは通常のペースで提示されました。
この手順は、合計 60 回の試行の聴覚提示から構成されました。 刺激は、ポータブルワークステーションに接続されたヘッドフォンを通じて快適な聴覚レベルで再生されました。 各トライアルは、コンピュータ画面の中央に 500 ミリ秒のペースで表示される 3 から 1 へのカウントダウンで始まりました。 トーン シーケンスは、500 ミリ秒間表示される空白の画面上で連続的に再生されました。
グループ化されていない試験では、トーンは 150 ミリ秒の規則的な刺激間間隔 (ISI) で提示されました。 グループ化された試験では、ISI はグループ内の項目 (位置 1 ～ 2、2 ～ 3、4 ～ 5、および 5 ～ 6) では 75 ミリ秒、グループ境界を形成する項目間 (位置 3 ～ 4) では 450 ミリ秒でした。 シーケンスのプレゼンテーションの直後、仮想キーボードが画面に表示され、参加者はタッチ スクリーンを使用してシーケンスを再構築しました。
参加者は、順方向の順序でシーケンスを再構築することを強制されました。 これを行うには、最初の位置に対応するトーンを見つけて検証し、次に 2 番目の位置に進み、シーケンス全体を再構築するまでこれを繰り返す必要がありました。トーン シーケンスを再構築するために、仮想キーボードが再度使用されました (図 2)。 再構成されるシーケンスで聞こえる 6 つの音を表す 6 つの白鍵の層が画面上に水平に表示されました。 トーンは、左の最低音から右の最高音まで昇順に編成されています。
タッチスクリーン上のキーが押されるたびに、対応するトーンがヘッドフォンから再生されます。 キーに触れると、キーの色が緑色に変わり、関連するトーンがアクティブになります (図 2 のパネル 1、5、7、または 10 を参照)。 参加者が現在の位置のトーンを取得してキーをアクティブにしたら、次の位置に進むために「検証」ボタンを押す必要がありました (図 2 のパネル 4、6、8、または 12 を参照)。
トーンが位置に割り当てられると、対応するキーが灰色に変わり、そのトーンがもう使用できないことを示し、そのキーの聴覚フィードバックがオフになりました。 ポジションを検証する前に「アクティブ」トーンを変更することは可能でしたが (図 2 のパネル 10 ～ 12 を参照)、ポジションが検証された後は変更できませんでした。
参加者が対応するトーンを覚えていない場合、または推測したくない場合は、「?」を選択することで「わかりません」と答えることができます。 位置を確認する前に ボタンを押してください (図 2 のパネル 11 を参照)。 最後に、再構成プロセス中いつでも、参加者はそれまでに再構成されたシーケンスを聞く機会がありました (図 2 のパネル 9 を参照)。
仮説
この実験の目的は次のとおりです。(1) 非音楽家における時間的グループ化効果の研究を通じて、音楽 STM における順序付けメカニズムの性質をよりよく理解すること。これにより、(2) STM における連続順序の領域一般性仮説を評価できるようになります。 。
これを達成するために、グループ化されていないトーン シーケンスとグループ化されたトーン シーケンスの再現パフォーマンスを比較しました。シリアル再現精度、シリアル位置曲線の形状、応答遅延、挿入エラーの割合に焦点を当てました。{0}} シリアル順序 STM の領域一般性仮説によれば、グループ化されていないシーケンスよりもグループ化されたシーケンスの方が高い再現精度が観察されることが予測されました。
また、グループ化されたシーケンスに対して複数の湾曲をもつ連続位置曲線が存在することも予測しました。 最後に、グループ化されていないシーケンスよりもグループ化されたシーケンスでより多くの挿入エラーが観察されることが予想されました。
分析計画
オープンソース プログラム JASP (バージョン 0.14、JASP Team、2018) を、すべての計画 (以下で説明) と報告された探索的分析のデフォルト設定で使用しました。ベイジアン t 検定の場合、事前分布は r スケール 0.707 のコーシー分布として表されました。
ベイズ分散分析 (ANOVA) の場合、事前分布もコーシー分布で構成され、固定効果と変量効果の r スケールはそれぞれ 0.5 と 1 でした。精度と連続位置曲線を思い出してください。 各参加者の連続位置とグループ化条件の関数として再現精度を平均することにより、連続位置曲線を分析しました。
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)、位置 2 および 3(H1: 2)<3), Positions 4 and 5 (H1: 4>5)、および位置 5 と 6 (H1: 5)<6) via Bayesian paired samples t-tests.
移調グラデーション。 各条件および各参加者について個別に変位の関数として転置誤差の割合を計算することにより、転置勾配を分析しました。 これを達成するために、2- レベルの系列因子 (グループ化されていないものとグループ化されたもの) および 10- レベルの変位距離因子 (-5 から 5 まで、{ を除く) を使用して 2 × 5 回の反復測定 ANOVA を実行しました。 {7}}）。
If the full model turned out to be the best (i.e., BF>10 2 番目に優れたモデルと比較)、隣接する変位と介在エラーの割合に焦点を当てて相互作用を分析しました (詳細については、次の分析を参照してください)。
介在誤差と隣接変位率。 挿入エラーと隣接する直列位置への変位の割合は、最初のグループ内位置 (つまり 3 つの位置の絶対距離) を維持するアイテムのグループ間変位に関連する誤差の割合と、絶対変位距離によって特徴付けられる直列順序転置の割合を計算することによって決定されました。すべてのシリアル順序エラーの中の 1 つのシリアル位置を、シーケンスのタイプごとに個別に (グループ化されていない)対グループ化)。
次に、観察された挿入エラー率に基づいて 2 つのグループ化条件を比較しました。
(H1: interpositions in grouped sequences>介入グループ化されていないシーケンスの隣接変位）および隣接変位（グループ化されたシーケンスの隣接変位）
結果
計画的な分析。 連続位置 (1 ～ 6) およびグループ化条件 (グループ化 vs グループ化されていない) の関数として再現精度に関して BANOVA が実行した 2 × 6 の反復測定により、最良のモデルは 2 つの主効果を持つモデルであることが明らかになりました (図 3a を参照)。
このモデルは、2 番目に優れた完全なモデルよりも 1.80 倍優先されます (表 1 の「シリアル位置曲線」の行を参照)。 好みは事例証拠によってのみ特徴づけられるため、その効果を分析しました。 これは、JASP を使用して、対象の効果を含むすべてのモデルにわたる証拠を平均する方法によって行われました。 データは、連続位置効果の存在を支持する決定的な証拠 (BFInclusion=∞)、グループ化効果を支持する非常に強力な証拠 (BFInclusion=31.28)、およびインタラクションの存在 (BFInclusion=2.15)。
当初の計画どおり、相互作用の存在がデータによって裏付けられなかったため、グループ化された配列内のミニ優先効果とミニ最近効果は分析しませんでした。2 × 10 の反復測定 ANOVA は、転置エラーの割合に対して実行されました。転置距離 (-5 ～ 5、0 を除く) とグループ化条件 (グループ化とグループ化されていない) の関数により、データを説明する最良のモデルは完全モデルであることが明らかになりました (図 3b を参照)。
このモデルは、距離の効果のみを 173.36 倍含む 2 番目に優れたモデルよりも好まれており、最良のモデルを決定的にサポートしています (表 1 の「転置勾配」行を参照)。
グループ化条件と転置距離の間の相互作用が明確に裏付けられているため、当初の計画どおり 2 つのグループ化条件間の隣接転置と挿入の割合を比較しました。
For more information:1950477648nn@gmail.com
