通过被动和主动听力快速学习普通话声调:一项脑磁图研究
《European Journal of Neuroscience》:Rapid Mandarin Tone Learning in Passive and Active Listening: A Magnetoencephalography Study
【字体:
大
中
小
】
时间:2026年03月30日
来源:European Journal of Neuroscience 2.4
编辑推荐:
摘要
成年人可以学会表示外语的音素特征,但只有少数研究通过行为测量和脑活动测量在几天内追踪了这一音素学习过程。本研究考察了连续4天听普通话元音/a/的声调变化对芬兰语母语者(n=9)的行为变化检测能力以及脑磁图(MEG)反应的影响。每天,参与者完成一次25分钟的被动听觉体验和一
摘要
成年人可以学会表示外语的音素特征,但只有少数研究通过行为测量和脑活动测量在几天内追踪了这一音素学习过程。本研究考察了连续4天听普通话元音/a/的声调变化对芬兰语母语者(n=9)的行为变化检测能力以及脑磁图(MEG)反应的影响。每天,参与者完成一次25分钟的被动听觉体验和一次45分钟的主动听觉训练,在训练过程中他们对声调变化作出行为反应。我们发现,行为准确性在第一天之后立即提高,第三天和第四天的反应时间比第一天更快。在脑活动方面,与脑电图中的N2b成分相对应的M200成分的幅度从第一天到第三天有所增加。在主动听觉过程中,与P3b成分相对应的M350成分的幅度没有显著变化。在被动听觉过程中,与不匹配负波(MMN)相对应的M215成分的幅度在第一天之后增加,并在此后保持稳定。这些发现表明,单次的外语语音听觉体验可以调节成年人对音素变化的行为和神经反应,但需要更大样本的重复实验来确认这些效应。
缩写
ANOVA:方差分析
ECG:心电图
EEG:脑电图
EOG:眼电图
ERFs:事件相关场
ERPs:事件相关电位
ICA:独立成分分析
ISI:刺激间隔
MEG:脑磁图
MMN:不匹配负波
MMNm:磁不匹配负波
tSSS:时空信号空间分离
1 引言
婴儿早期的基本认知任务之一是准确表示周围语言环境中的语音。研究表明,年幼的婴儿对不同语言之间的细微声学差异很敏感(Werker和Lalonde 1988)。然而,这种广泛的敏感性在生命的第一年内会下降,因为婴儿开始专注于他们母语的语音特征(Cheour等人1998;Polka和Werker 1994)。对于成年外语学习者来说,区分非母语语音通常具有挑战性(Kuhl等人2008;Sparks和Ganschow 1993)。先前的研究表明,尽管外语语音往往难以准确感知,但感知训练可以提高对非母语特征的感知能力,并且这种效果会持续终生(Callan等人2003)。本研究使用变化检测范式,调查了在短短四天的训练期内学习外语元音音素特征的时间进程。脑磁图(MEG)被用来追踪与学习相关的神经反应的日变化。变化检测可以通过奇异刺激范式来研究,其中不常见的偏离刺激嵌入在标准刺激序列中。脑电图(EEG)和MEG通过捕捉对感官刺激的快速神经反应提供时间分辨的信息(Kujala和N??t?nen 2010;N??t?nen等人2007;Sams等人1985)。不匹配负波(MMN)或其磁对应物(磁MMN,MMNm)通常在奇异条件下被诱发,反映了大脑检测听觉输入序列变化的能力(N??t?nen 2001;N??t?nen等人1978)。MMN通常在100-250毫秒的潜伏期内对频率、持续时间、强度或音素内容等听觉特征的偏差作出反应,即使注意力被引向其他地方(N??t?nen等人2007;Sams等人1985)。有时其后会出现P3a,反映了注意力向偏离声音的预注意转移(Escera和Corral 2007)。当参与者主动关注刺激时,事件相关电位(ERPs)的N2b成分通常会出现,MMN的幅度可能会减小、与N2b重叠或先于N2b出现(Alain等人2010;Folstein和Van Petten 2008;N??t?nen等人1982;Sams等人1983)。N2b之后通常会出现P3b,这与对刺激变化的意识检测以及在注意力和感知背景中的刺激表征更新有关,这与感知的预测编码模型一致(综述见Kok 2001;Polich 2007)。先前的研究使用各种听觉训练方法(如听觉辨别训练(例如Kraus等人1995;Tremblay等人1997)、听写训练(例如Tamminen等人2015)和其他基于听觉的训练(例如Ylinen等人2010;Zhang等人2009)来研究音素学习,使用MMN和P3a成分作为音素表征的神经指标。这些研究通常使用训练前后的EEG记录,并证明训练后MMN幅度增加,表明了音素学习。然而,一个关键的限制是这些研究没有捕捉到训练过程中的神经活动本身,从而无法研究学习过程的时间动态。使用不同类型的训练和测试条件也使得结果的解释复杂化,因为即使是预注意的测试环节也可能引发感知学习(参见Kurkela等人2019关于被动学习外语语音特征的证据)。为了解决这些不足,我们研究了反复接触非母语语音序列(即带有普通话声调变化的元音/a/)对行为和神经变化检测动态的影响。我们没有使用传统的前后测量设计,而是在连续四天内进行了MEG记录。每天开始时进行一次被动听觉体验,随后是一次主动听觉体验,在此期间参与者在检测到声调变化时通过按键作出反应。结合被动和主动听觉,我们能够研究听觉学习的不同但互补的方面。被动听觉反映了预注意的神经可塑性——即在没有集中注意力的情况下对声音变化的自动敏感性,而主动听觉则涉及有助于意识检测和任务表现的注意力和决策相关机制。通过跨天追踪这两个过程,我们旨在确定与学习相关的神经变化是首先在预注意层面出现,还是需要主动注意力,以及这些过程是并行发展还是遵循不同的时间进程。这种纵向设计使我们能够详细描述快速听觉-音素学习背后的神经动态。在我们之前的研究中,我们使用前后测量设计和ERP记录来研究被动听重复的带有普通话声调变化的元音/a/的效果(Kurkela等人2019)。八小时的被动接触,分为连续四天的每天两小时会话,增加了P3a和P3b成分的幅度,表明预注意注意力向声调变化的转移效率提高。然而,没有观察到MMN和N2b幅度的显著增加。值得注意的是,神经变化可能先于行为变化,因为被动接触后变化检测的准确性没有提高。在这里,我们在之前的研究(Kurkela等人2019)的基础上进一步使用MEG研究,探讨主动听普通话声调如何增强大脑活动和行为检测。我们预计四天的训练将导致行为学习和事件相关场(ERFs)的调节,反映在预注意和注意变化检测(分别对应于ERPs中的MMN和N2b)以及注意力向变化的定向(ERPs中的P3;Polich 2007)方面的改进。与之前的研究相比,本次的接触时间较短,之前的研究涉及每天120分钟的被动接触(这里为25分钟的被动接触和45分钟的主动接触)。尽管如此,由于包括了主动训练,我们预计行为表现(准确性的提高和反应时间的缩短)和大脑活动(训练天数中的差异响应幅度变化)都会发生变化。我们最近使用单次试验机器学习方法分析了Kurkela等人(2019)在被动接触期间记录的数据。我们观察到在训练的前两个小时内就已经出现了神经变化(Li等人2025),表明听觉表征可以迅速适应新的音素对比。然而,每天追踪音素学习的纵向研究仍然很少,而且由于Kurkela等人(2019)的研究没有包括带有行为反应的主动训练,因此不清楚神经和行为变化是并行发展的还是遵循不同的时间进程。我们假设主动训练会引发与被动接触后观察到的类似的早期神经变化,但重复的日常会话可能会进一步加强这些效果,并伴随着行为表现的相应改进。
2 方法
2.1 参与者
在数据收集期间,有11名芬兰语单语参与者自愿参与了这项研究。在G*Power(版本3.1.9.7)中进行了重复测量ANOVA的先验功效分析,其中一个被试内因素有四个水平。假设较大的效应大小(f=0.40,Cohen 2013),α=0.05,重复测量之间的相关性=0.50,非球形校正ε=1。分析表明,至少需要10名参与者才能达到80%的功效(1-β=0.80),以在p<0.05的水平上检测到较大的被试内效应。这个参与者数量与之前研究外语语音学习的研究相当(Hisagi等人2016;Kaan等人2007;Menning等人2002;Tamminen等人2024;Tremblay等人1998;Tremblay和Kraus 2002)。参与者是通过在Jyv?skyl?大学的通知板上发布公告并通过电子邮件列表招募的。在招募过程中,参与者被告知研究包括四天的普通话声调训练。研究的纳入标准是:年龄在18-30岁之间,右撇子,听力正常(通过听力测试测量),以及自报视力正常(或矫正至正常)。研究的排除标准包括神经系统或精神疾病,包括睡眠问题,以及接触或训练过声调语言(除了在最多两周的旅行中接触过声调语言的国家)。在研究之前,从每位参与者那里获得了书面知情同意。实验按照赫尔辛基宣言进行,Jyv?skyl?大学的伦理委员会批准了研究方案。由于两名参与者的数据因技术问题在一个或多个训练会话中缺失,因此分析中包括了九名参与者的数据(五名女性,三名男性,一名参与者未提供性别信息;平均年龄=21.13岁,标准差=2.85岁)。五名参与者报告有一些音乐训练或音乐爱好,但没有人是专业音乐家。
2.2 刺激
在听觉会话中,通过塑料管和耳塞向参与者双耳呈现带有不同声调的元音/a/,使用的是与MEG兼容的高保真声音系统。由于参与者是芬兰语母语者,而声调在芬兰语中不是词汇特征,因此这对他们来说是陌生的。声音的准备工作是:首先,由一位普通话母语女性以升调(即中文声调2)和降调(即中文声调4)的音高轮廓发音,然后以44.1 kHz的采样率录制下来。然后使用SoundForge软件(SoundForge 9,索尼公司,日本)对声音进行数字编辑,将其持续时间修改为200毫秒。使用Praat软件(Praat v5.4.06,阿姆斯特丹大学)进行音高层次转换,以分离词汇声调并保持其他声学特征不变。音高层次转换生成了一个升调和一个降调,除了基频(F0)的音高轮廓不同之外,这两个音调是相似的。这两个音调被用作创建具有10个间隔步骤的词汇声调连续体的端点刺激。在MATLAB(MathWorks公司,美国)中进行了变形技术,并使用STRAIGHT工具(Kawahara等人1999)创建了实验中使用的音调。所有刺激都被标准化为具有相同的均方根强度。刺激准备的详细程序已在其他地方报告(Xi等人2010)。在本研究中,分别在不同的奇异条件下呈现了两个级别的变化(大变化和小变化条件,图1)。包括小变化和大变化条件是为了防止如果只使用高度不同或过于微妙的声调对比可能出现的天花板或地板效应。重复呈现的标准声音是一个降调(Xi等人2010中的Token 7)。小变化条件中的偏离声音是与标准声音有微小物理差异的音调(对应于Xi等人2010中的Token 5和9),而大变化条件中的偏离声音是与标准声音有较大物理差异的音调(对应于Xi等人2010中的Token 3和11)。频繁呈现的标准刺激(80%)随机穿插着两个罕见的偏离刺激(Deviant 1和Deviant 2,各占10%;图1),声音压力级(SPL)为70分贝。刺激间隔(ISI)从450毫秒随机变化到550毫秒(从起始点偏移)。刺激的呈现由Presentation软件(Neurobehavioral Systems Inc.,美国加利福尼亚州奥尔巴尼)控制。图1在图查看器中打开(PowerPoint格式)。
在小变化和大变化条件下,刺激内容有所不同。对每种条件下“异常1”和“异常2”的反应进行了平均处理以用于分析。请注意,所有刺激的持续时间为200毫秒,尽管F0轨迹没有延伸到波形的起始和结束部分,因为音高是通过基于帧的中心对齐分析窗口来估计的。
2.3 实验程序
脑磁图(MEG)记录在连续四天内进行。每位参与者被分配了一个固定的每日时间段(上午、中午或下午),并且所有记录都在每天大约相同的时间进行(在两小时的时间窗口内)。每天开始时是一个被动聆听阶段,参与者在观看无声电影的同时首先聆听大变化块,然后是小变化块。接下来是主动阶段,参与者完成两个大变化块,然后是两个小变化块,并被要求在检测到异常刺激时按下按钮。这种顺序确保了训练总是从更容易、更易检测的刺激开始。每个刺激块包含1000个刺激,块与块之间有短暂的休息时间。被动和主动聆听阶段每天分别持续约25分钟和45分钟(不包括休息时间)。被动阶段故意设置得较短,以保持参与者的注意力,并主要关注主动训练的效果,同时仍然提供了对注意前听觉处理的补充测量。
2.4 MEG测量
MEG记录在于韦斯屈莱大学(Jyv?skyl? University)的磁屏蔽室内进行。诱发的磁场使用全头TRIUX系统(Megin Oy,芬兰赫尔辛基)捕获,该系统具有306个传感器,带宽为0.1–330赫兹,采样率为1000赫兹。此外,还使用眼电图(EOG)记录眨眼和眼球运动,电极放置在右眼上方和下方(垂直EOG)以及双眼的外眼角(水平EOG)。心跳使用心电图(ECG)记录,两个电极放置在胸部。实验前,使用3D数字化仪(Fastrak,美国佛蒙特州Polhemus)记录了三个解剖标志点(鼻根和左右耳前点)的位置、五个头部位置指示线圈(两个在太阳穴,两个在耳朵后面,一个在额头)以及其他头皮点的位置。在记录过程中,参与者以68°直立的姿势坐在机架内,头部位于头盔形状的磁力计内。
2.5 行为和神经数据分析
分析了主动聆听条件下的行为反应。为了准确性和反应时间,分析了异常声音消失后100至1000毫秒内的反应。对于MEG数据,选择了102个磁力计的数据进行分析。最初应用MaxFilter软件(Elekta-Neuromag)中的时空信号空间分离(tSSS)方法(Taulu和Hari 2009)来消除外部干扰。MaxFilter软件还用于补偿头部运动,并对所有参与者和会话的头部位置进行对齐。进一步使用MNE-Python版本1.6.1进行MEG分析。数据首先被加载并经过50、100、150和200赫兹的陷波滤波,以去除电源线干扰及其谐波。使用MNE-Python中的基于z分数的方法自动标注肌肉伪迹,z分数阈值为10,滤波器频率范围为110至140赫兹(Muthukumaraswamy 2013)。EOG和ECG通道被明确设置为用于伪迹检测(Dammers等人2008)。连续数据被下采样到200赫兹,然后在1至40赫兹之间进行带通滤波,有效地隔离了进一步研究的感兴趣的频率带,并减少了不需要的低频漂移和高频噪声。独立成分分析(ICA)用于数据中的伪迹去除(Hyv?rinen和Oja 2000),利用FastICA算法(Ablin等人2018;Hyv?rinen 1999),因为它在分离独立源和去除与眼球运动和心脏相关的伪迹方面具有计算效率。应用ICA后,数据被分割成从刺激开始前100毫秒到刺激结束后600毫秒的时期。通过从每个时期内的所有数据点中减去刺激开始前-100至0毫秒的平均反应幅度来进行基线校正(Gramfort等人2014)。对于每位参与者,分别平均了主动和被动聆听条件、大变化和小变化条件下的试验,以及每种刺激类型(标准刺激和异常刺激;见图1,其中平均了小变化和大变化条件下的异常1和异常2的反应)。然后,分别计算了异常反应和标准反应之间的差异波(异常减去标准)。根据Kurkela等人(2019)的先前EEG发现和总体平均反应,选择了用于分析的时间窗口和传感器。主动聆听的选择时间窗口为刺激后160–240毫秒的M200,以及刺激后310–390毫秒的M350,分别对应ERP中的N2b和P3b(Kurkela等人2019)。在被动聆听条件下,选择了刺激后140–190毫秒和190–240毫秒的时间窗口用于M165和M215,这些可能对应于MMN成分。基于对总体平均差异反应的视觉检查,选择了两个用于MMN的分析窗口,这些窗口揭示了两个不同的峰值。数据中没有观察到明显的P3a样活动。M200的传感器包括MEG1621、MEG1631、MEG1811、MEG1641、MEG0441、MEG1911;M350的传感器包括MEG1841、MEG1631、MEG1911、MEG2011、MEG1831、MEG1821;M165和M215的传感器包括MEG1621、MEG1811、MEG1821、MEG1611、MEG1631、MEG0441。这些传感器在报告MEG结果的图中有所标注。
2.6 统计分析
所有统计分析均使用JASP(版本0.18.3)进行。使用具有被试内因素“Day(1–4)”和“刺激类型(小变化,大变化)”的重复测量方差分析(ANOVA)来检查行为准确性、反应时间和大脑反应的变化。每当Mauchly检验表明球形性假设被违反时,使用Greenhouse–Geisser球形性估计(当ε<0.75时)或Huynh–Feldt球形性估计(当ε>0.75时)来校正自由度。事后成对比较(t检验,双尾)经过Bonferroni校正。除了频率主义分析外,还在JASP中使用默认先验进行了贝叶斯重复测量ANOVA和贝叶斯配对样本t检验。报告贝叶斯因子(BF10)以量化支持或反对效应存在的证据。频率主义和贝叶斯结果被联合解释。显著的p值在频率主义框架中表示可靠的效应,而贝叶斯因子用于将证据分类为支持零假设(BF10<1/3)、支持备择假设(BF10>3)或提供不确定的证据(BF10在1/3和3之间),遵循Jeffreys的约定(Jeffreys 1961)。在p值和BF10不一致的情况下(例如,p值不显著但BF10>3,或反之),这些差异被明确指出并谨慎解释。对于所有测试,p值小于0.05被视为显著。使用部分eta平方(ηp2)和Cohen的d作为效应大小估计。ηp2值0.01、0.06和0.14分别表示小、中、大效应,而Cohen的d值0.20、0.50和0.80表示小、中、大效应(Cohen 1992)。自由度(df)按未校正的形式报告。
3 结果
3.1 主动聆听中的行为结果
表1报告了具有被试内变量“Day”和“刺激类型”的双向重复测量ANOVA的结果。Day的主效应在准确性和反应时间上都是显著的。表2和图2显示了Day主效应的事后成对比较结果。表1. 行为结果:双向重复测量ANOVA。变量
效果
df
F
p
η
p
BF
10
3, 24
7.62
0.018
0.49
23.96
1, 8
0.01
0.923
<0.01
0.27
Day×刺激类型
3, 24
0.11
0.955
0.01
0.16
反应时间
Day
3, 24
8.24
0.013
0.51
35.90
1, 8
0.30
0.597
0.04
0.32
Day×刺激类型
3, 24
0.10
0.883
0.01
0.18
注:显著的p值(p < 0.05)用粗体标出。表2. Day主效应的事后成对比较。变量
比较
df
t
p
Cohen's d
BF
10
Day 1 vs. Day 2
8
3.31
0.018
1.20
21.60
Day 1 vs. Day 3
8
3.93
0.004
1.42
Day 1 vs. Day 4
8
4.24
0.002
1.54
Day 2 vs. Day 3
8
0.62
1.000
0.23
0.85
Day 2 vs. Day 4
8
0.94
1.000
0.34
59.63
Day 3 vs. Day 4
8
0.32
1.000
0.12
0.41
注:p值经过Bonferroni校正。显著的p值(p < 0.05)用粗体标出。图2在图查看器中打开(PowerPoint格式)。
行为结果。主动聆听中小变化和大变化条件以及两种异常刺激反应的行为变化检测的准确性和反应时间平均值。误差条代表平均值的标准误差。每个点代表一个受试者的值,而虚线连接同一受试者在不同天的重复测量结果。*p<0.05,**p<0.01,***p<0.001。
3.2 主动聆听中的MEG结果
3.2.1 M200(N2b)
表3报告了双向重复测量ANOVA的结果。发现Day的主效应显著。表4显示了Day主效应的事后成对比较结果。M200的幅度在Day 2和Day 3比Day 1更大。图3显示了小变化和大变化条件下M200的总体平均反应。表3. M200:双向重复测量ANOVA的结果。效应
df
F
p
η
p
BF
3, 24
4.23
0.015
0.35
1.36
刺激类型
1, 8
<0.01
0.961
<0.01
0.26
Day×刺激类型
3, 24
0.24
0.869
0.03
0.13
注:显著的p值(p < 0.05)用粗体标出。表4. Day主效应的事后成对比较。比较
df
t
p
Cohen's d
BF
10
Day 1 vs. Day 2
8
2.90
0.047
0.38
8.85
Day 1 vs. Day 3
8
3.24
0.021
0.43
7.75
Day 1 vs. Day 4
8
1.99
0.351
0.26
Day 2 vs. Day 3
8
0.34
1.000
0.05
0.26
Day 2 vs. Day 4
8
0.92
1.000
0.12
0.36
注:p值经过Bonferroni校正。显著的p值(p < 0.05)用粗体标出。图3在图查看器中打开(PowerPoint格式)。
M200(N2b)在主动聆听中的结果。小变化和大变化条件下的总体平均反应。(A)标准刺激和异常刺激的波形以及差异波(异常-标准)来自选定的通道(在拓扑图中标记的传感器上平均);阴影区域代表95%置信区间。(B)刺激后160–240毫秒时间窗口内的平均差异活动拓扑图。(C)条形图表示每天的平均幅度,平均在传感器上。误差条代表平均值的标准误差。每个点代表一个受试者的值,而虚线连接同一受试者在不同天的重复测量结果。*p<0.05。
3.2.2 M350(P3b)
表5报告了双向重复测量ANOVA的结果。未发现显著效应。图4显示了小变化和大变化条件下M350的总体平均反应。表5. M350:双向重复测量ANOVA的结果。效应
df
F
p
η
BF
3, 24
1.29
0.302
0.14
0.22
刺激类型
1, 8
1.06
0.333
0.12
0.39
Day×刺激类型
3, 24
0.98
0.383
0.11
注:p值经过Bonferroni校正。显著的p值(p < 0.05)用粗体标出。图3在图查看器中打开(PowerPoint格式)。
M350(P3b)在主动聆听中的结果。小变化和大变化条件下的总体平均反应。(A)标准刺激和异常刺激的波形以及差异波(异常-标准)来自选定的通道(在拓扑图中标记的传感器上平均);阴影区域代表95%置信区间。(B)刺激后160–240毫秒时间窗口内的平均差异活动拓扑图。(C)条形图表示每天的平均幅度,平均在传感器上。误差条代表平均值的标准误差。每个点代表一个受试者的值,而虚线连接同一受试者在不同天的重复测量结果。*p<0.05。
3.2.2 M350(P3b)
表5报告了双向重复测量ANOVA的结果。未发现显著效应。图4显示了小变化和大变化条件下M350的总体平均反应。表5. M350:双向重复测量ANOVA的结果。效应
df
F
p
η
BF
3, 24
1.29
0.302
0.14
0.22
刺激类型
1, 8
1.06
0.333
0.12
0.39
Day×刺激类型
3, 24
0.98
0.383
0.11
注:p值经过Bonferroni校正。显著的p值(p < 0.05)用粗体标出。图4在图查看器中打开(PowerPoint格式)。在小变化和大变化条件下平均得到的总平均响应。(A) 标准刺激和异常刺激的波形以及差异波(异常-标准)来自选定的通道(在地形图中标记的传感器上平均);阴影区域代表95%的置信区间。(B) 刺激开始后310-390毫秒时间窗口内的平均差异活动地形图。(C) 条形图表示每天的差异活动平均值,基于传感器的平均值。误差条表示平均值的标准误差。每个点代表一个受试者的值,而虚线连接同一受试者在不同天的重复测量结果。没有观察到显著的振幅变化。
3.3 被动听觉条件下的MEG结果
图5显示了在小变化和大变化条件下M165和M215(MMN)的总平均响应。图5
被动听觉条件下的结果。在小变化和大变化条件下平均得到的总平均响应。(A) 标准刺激和异常刺激的M165和M215(MMN)波形以及差异波(异常-标准)来自选定的通道(在地形图中标记的传感器上平均);阴影区域代表95%的置信区间。(B) 显示刺激开始后140-190毫秒内M165的平均差异活动地形图。(C) 每天M165的差异活动平均值,基于传感器的平均值。注意,没有观察到M165的显著振幅变化。(D) 显示刺激开始后190-240毫秒内M215的平均差异活动地形图。(E) 每天M215的差异活动平均值,基于传感器的平均值。(C)和(E)中的误差条表示平均值的标准误差,每个点代表一个受试者的值,而虚线连接同一受试者在不同天的重复测量结果。*p < 0.05,**p < 0.01。
3.3.1 M165
表6报告了双向重复测量ANOVA的结果。没有发现显著的主效应或交互效应。表6. M165:双向重复测量ANOVA的结果。
3.3.2 M215
表7报告了双向重复测量ANOVA的结果。发现了“天”的主效应。对“天”的主效应进行的事后成对比较显示,从第1天到第2-4天,振幅有所增加。表7. M215:双向重复测量ANOVA的结果。
3. 讨论
本研究使用变化检测范式,调查了成年人在四天接触期间对外语普通话声调的学习情况。在主动和被动听觉条件下,我们追踪了行为和神经变化,从而能够绘制出学习的时间进程。我们观察到从第一天起,行为变化检测性能和相应的脑活动就有改善,这突显了在语音习得早期阶段的快速神经可塑性。行为结果显示,与第一天相比,第2-4天的检测准确性更高,贝叶斯分析一致支持这些差异(BF10 > 10)。尽管根据p值某些比较并不显著(例如,第2天与第4天),但贝叶斯分析仍然提供了强有力的差异证据(BF10 > 20)。总体而言,行为准确性在第一天之后有所提高,可以解释为从第二天开始准确性有所增加。变化检测任务相对容易,因为第一天的平均准确性已经接近90%,几乎没有改进的空间。响应时间在几天内逐渐改善。尽管只有第3天和第4天与第一天相比有显著减少,但贝叶斯分析表明从第二天开始就有有意义的改善(BF10 > 20)。这些发现与之前的分类训练研究一致,表明成年人可以通过短期训练(通常涉及一到三周内的多次会话)来提高他们对非母语语音对比的区分能力(例如,Lively等人1993年;Perrachione等人2011年)。尽管这些研究为语音学习提供了有力的证据,但它们通常依赖于训练前后的评估,从而未能充分探索学习的时间进程。相比之下,本研究采用了变化检测范式,并在连续四天内每天进行行为和神经测量。这种设计使我们能够更详细地捕捉语音学习的动态。这种方法也有优势,因为使用不同的训练和测试条件(例如,在训练期间进行分类,在测试期间进行区分)可能会由于任务特定因素而使学习效果的解释复杂化。除了行为变化外,神经变化也迅速出现。在主动变化检测过程中,M200成分从第一天到后续几天显著增加。尽管“天”的主效应效应量较大(部分eta平方),但相应的贝叶斯因子(BF10在1到3之间)仅提供了间接支持。相比之下,事后成对比较显示第1天与第2天以及第1天与第3天之间存在明显差异,相应的BF10值超过了3(BF10 > 7),为这些与学习相关的变化提供了实质性证据。鉴于其潜伏期和地形分布,M200可能反映了早期的语音处理和听觉区分,这与ERP研究中观察到的N2b成分相对应(N??t?nen和Gaillard 1983年)。令人惊讶的是,M350的振幅没有观察到显著变化,M350对应于ERP研究中的P3b成分,通常与注意力分配有关(Polich 2007年)。主动听觉期间的结果模式与我们之前的研究(Kurkela等人2019年)不同,在那项研究中,接触是基于被动听普通话声调的,并且学习相关的变化是通过训练前后的测量来调查的。也就是说,被动接触导致了P3b的振幅增加——但在主动测试条件下没有行为上的改善。这种差异可能表明,主动参与语音训练可能更倾向于增强早期的感知处理阶段(由M200/N2b指标),而被动接触可能主要影响后期的注意力相关过程(由M350/P3b指标);然而,需要更多的研究来确认这一点。此外,相对容易的变化检测任务加上专注的训练可能产生了天花板效应,导致与P3b相关的认知过程已经达到最大程度,因此其振幅没有观察到变化。每天两个主动听觉阶段之间没有观察到差异,无论是在行为结果还是神经反应中。这种缺乏日内阶段效应的现象可能表明,与学习相关的变化主要发生在夜间睡眠期间,这与睡眠在语音学习的巩固和稳定中起关键作用的证据一致(Fenn等人2003年)。对于被动听觉,我们的发现与之前的研究一致,这些研究表明,在语音训练后MMN的振幅会增加,通常是在几天或几周内进行的(例如,Kraus等人1995年;Menning等人2002年)。在这里,应用了两个分析窗口,因为在MMN时间进程中观察到了两个独立的峰值(M165和M215)。学习相关的效应在较晚的成分(M215)中很明显,但在较早的成分(M165)中不明显,这表明短期训练更倾向于调节后期的听觉处理阶段,而早期的反应可能反映了更自动的感觉过程。然而,应该强调的是,这两个成分的功能意义尚不清楚,我们无法确定早期与后期峰值分别反映了哪些具体的听觉过程。MMN(M215,而不是M165)的振幅从第一天到后续几天有所增加,第二天明显上升,并且第四天保持了显著差异。尽管第1天与第3天的比较仅提供了间接的贝叶斯证据,但从第一天到第四天的增加得到了小p值和强贝叶斯因子的支持,表明主要变化发生在第一天之后并持续存在。快速神经变化由MMN振幅所指示。尽管“天”的主效应效应量较大(部分eta平方),但相应的贝叶斯因子(BF10在1到3之间)仅提供了间接支持。相比之下,事后成对比较显示第1天与第2天以及第1天与第3天之间存在明显差异,相应的BF10值超过了3(BF10 > 7),为这些与学习相关的变化提供了实质性证据。鉴于其潜伏期和地形分布,M200可能反映了早期的语音处理和听觉区分,这与ERP研究中观察到的N2b成分相对应(N??t?nen和Gaillard 1983年)。值得注意的是,p值小于0.05的显著值用粗体标出。
4 讨论
本研究使用变化检测范式,调查了成年人在四天接触期间对外语普通话声调的学习情况。在主动和被动听觉条件下,我们追踪了行为和神经变化,从而能够绘制出学习的时间进程。我们观察到从第一天起,行为变化检测性能和相应的脑活动就有改善,这突显了语音习得早期阶段的快速神经可塑性。行为结果显示,与第一天相比,第2-4天的检测准确性更高,贝叶斯分析一致支持这些差异(BF10 > 10)。尽管根据p值某些比较并不显著(例如,第2天与第4天),贝叶斯分析仍然提供了强有力的差异证据(BF10 > 20)。总体而言,行为准确性在第一天之后有所提高,可以解释为从第二天开始准确性有所增加。变化检测任务看起来相对容易,因为第一天的平均准确性已经接近90%,几乎没有改进的空间。响应时间在几天内逐渐改善。尽管只有第3天和第4天与第一天相比有显著减少,但贝叶斯分析表明从第二天开始就有有意义的改善(BF10 > 20)。这些发现与之前的分类训练研究一致,表明成年人可以通过短期训练来提高他们对非母语语音对比的区分能力。尽管这些研究为语音学习提供了有力的证据,但它们通常依赖于训练前后的评估,从而未能充分探索学习的时间进程。相比之下,本研究采用了变化检测范式,并在连续四天内每天进行行为和神经测量。这种设计使我们能够更详细地捕捉语音学习的动态。这种方法也有优势,因为使用不同的训练和测试条件(例如,在训练期间进行分类,在测试期间进行区分)可能会由于任务特定因素而使学习效果的解释复杂化。除了行为变化外,神经变化也迅速出现。在主动变化检测过程中,M200成分从第一天到后续几天显著增加。尽管“天”的主效应效应量较大(部分eta平方),但相应的贝叶斯因子(BF10在1到3之间)仅提供了间接支持。相比之下,事后成对比较显示第1天与第2天以及第1天与第3天之间存在明显差异,相应的BF10值超过了3(BF10 > 7),为这些与学习相关的变化提供了实质性证据。鉴于其潜伏期和地形分布,M200可能反映了早期的语音处理和听觉区分,这与ERP研究中观察到的N2b成分相对应(N??t?nen和Gaillard 1983年)。令人惊讶的是,M350的振幅没有观察到显著变化,M350对应于ERP研究中的P3b成分,通常与注意力分配有关(Polich 2007年)。主动听觉期间的结果模式与我们之前的研究(Kurkela等人2019年)不同,在那项研究中,接触是基于在异常范式中被动听普通话声调的,学习相关的变化是通过训练前后的测量来调查的。也就是说,被动接触导致了P3b的振幅增加——但在N2b中没有——而在变化检测中没有发现行为改善。这种分离可能表明,主动参与语音训练可能更倾向于增强早期的感知处理阶段(由M200/N2b指标),而被动接触可能主要影响后期的注意力相关过程(由M350/P3b指标);然而,需要更多的研究来确认这一点。也有可能是因为相对容易的变化检测任务加上专注的训练产生了天花板效应,导致与P3b相关的认知过程已经达到最大程度,因此其振幅没有观察到变化。每天两个主动听觉阶段之间没有观察到差异,无论是在行为结果还是神经反应中。这种缺乏日内阶段效应的现象可能表明,与学习相关的变化主要发生在夜间睡眠期间,这与睡眠在语音学习的巩固和稳定中起关键作用的证据一致(Fenn等人2003年)。对于被动听觉,我们的发现与之前的研究一致,这些研究表明,在语音训练后MMN的振幅会增加,通常是在几天或几周内进行的,反映了中枢听觉系统的可塑性(例如,Kraus等人1995年;Menning等人2002年)。在这里,应用了两个分析窗口,因为在MMN时间进程中观察到了两个独立的峰值(M165和M215)。学习相关的效应在较晚的成分(M215)中很明显,但在较早的成分(M165)中不明显,这表明短期训练更倾向于调节后期的听觉处理阶段,而早期的反应可能反映了更自动的感觉过程。然而,应该强调的是,这两个成分的功能意义尚不清楚,我们无法确定早期与后期峰值分别反映了哪些具体的听觉过程。MMN(M215,而不是M165)的振幅从第一天到后续几天有所增加,第二天明显上升,并且第四天保持了显著差异。尽管第1天与第3天的比较仅提供了间接的贝叶斯证据,但从第一天到第四天的增加得到了小p值和强贝叶斯因子的支持,表明主要变化发生在第一天之后并持续存在。由MMN振幅所指示的快速神经变化并不令人惊讶。在几分钟到几小时的训练后也报告了增强的MMN振幅,这表明在短时间内可以出现快速的神经可塑性(对于非语音声音模式,参见Atienza等人2002年;对于普通话声调,参见Li等人2025年)。在我们之前的研究(Kurkela等人2019年)中,也采用了四天的训练协议(每天2小时),在完全被动的环境中,没有观察到MMN振幅或行为反应的变化,尽管检测到了P3a振幅的增加。相比之下,当前的MEG研究在总平均波形中没有发现明显的P3a成分。目前尚不清楚EEG和MEG在对语音声音变化的诱发反应敏感性上是否存在差异,或者这些研究之间的方法学差异是否解释了这种差异。总体而言,当前研究和我们之前的研究(Kurkela等人2019年)的结果表明,主动训练在促进行为和神经层面的语音变化检测方面比被动接触更为有效。一些先前的研究表明,在听觉学习期间,神经变化可能先于可观察到的行为改善(Tremblay等人2009年)。然而,在当前研究中,神经反应的变化,特别是在被动听觉期间的M215(MMN)和主动听觉期间的M200(N2b),与行为准确性的提高同时发生。这种时间上的一致性可能反映了变化检测任务的相对较低感知要求。在解释结果时,应该强调的是,当前研究不能为语音(声学)或音素学习提供决定性证据。行为表现和神经反应在训练过程中迅速改善,这与快速的语音可塑性一致,而不是音素类别的缓慢形成。同时,参与者明确被告知任务涉及感知普通话声调,刺激包括与声调类别相关的对比。尽管声音由孤立的元音组成,而不是完整的音节或单词,但这种指示可能鼓励听众将声音部分映射到语音类别上,从而允许有限的声音学习。总体而言,尽管不能排除部分映射到音素类别的可能性,但观察到的学习模式似乎最符合快速听觉可塑性。尽管如此,目前的结果表明芬兰语参与者学习了普通话声调,但这些结果可能不适用于所有语言群体和语言特征。外语特征和参与者的母语都可能影响学习结果(例如,Kaan等人2007年)。此外,个体差异也会影响语音学习。例如,高变异性训练仅对具有较强感知能力的参与者有效,而感知能力较弱的参与者则受到刺激材料变异性的负面影响(Perrachione等人2011年)。这项研究也有一些局限性,最显著的是样本量较小;因此,应该谨慎解释结果。然而,观察到的效应在行为表现和MEG反应中都相对稳健且一致。然而,使用更大的样本进行复制将加强结论。我们研究的另一个局限性是,无法区分被动听觉和主动听觉的效应。可能被动听觉反映了在四天训练期间之前主动会话的累积学习。因此,M215(MMN)的变化不能直接与仅通过被动暴露所观察到的变化进行比较。此外,行为测量方面的改善可能部分反映了与任务相关或程序性学习的效果,而不仅仅是感知变化。相比之下,观察到的大脑活动变化不太可能由这些非特定因素解释,这支持了将其解释为语音学习的神经标志。
5 结论
总之,研究结果表明,与外语语音特征的学习相关的行为表现和神经可塑性都发生了快速而显著的变化。神经变化特别与变化检测相关的大脑活动有关——即之前脑电图(EEG)研究中发现的MMN和N2b成分——而不是通常与注意力转移相关的后期机制(P3b)。值得注意的是,这些变化在第一天之后立即出现,这表明基于注意力变化检测的训练在促进非母语语音特征的学习方面是有效的。
作者贡献
姜凯军:正式分析(负责人)、方法论(同等贡献)、可视化(负责人)、初稿撰写(负责人)、审稿和编辑(同等贡献)。
李秦:数据管理(同等贡献)、正式分析(辅助)、方法论(辅助)。
Jari L. O. Kurkela:概念化(同等贡献)、数据管理(同等贡献)、研究实施(负责人)、方法论(同等贡献)、审稿和编辑(辅助)。
Simo Monto:方法论(辅助)、审稿和编辑(辅助)。
Jarmo A. H?m?l?inen:概念化(同等贡献)、审稿和编辑(辅助)。
李雪桥:数据管理(同等贡献)、研究支持(辅助)、监督(辅助)、可视化(辅助)、审稿和编辑(辅助)。
Piia Astikainen:概念化(同等贡献)、资金获取(负责人)、项目管理(负责人)、资源协调(负责人)、监督(负责人)、审稿和编辑(同等贡献)。
致谢
我们感谢Xiangyu Rong在数据预处理方面提供的帮助。开放获取出版由Jyvaskylan大学通过Wiley - FinELib协议促成。
资金支持
本研究得到了芬兰研究委员会(Piia Astikainen的资助编号为351009和273134)以及Ellen和Artturi Nyyss?nen基金会的支持(Kaijun Jiang的个人资助)。
伦理声明
Jyv?skyl?大学的伦理委员会批准了该研究方案。实验的进行符合《赫尔辛基宣言》的规定。
知情同意
所有参与者在参与前都获得了书面知情同意。
利益冲突
作者声明没有利益冲突。
数据可用性声明
由于法律限制,原始数据不对外公开。支持本研究结果的数据可向Piia Astikainen(piia.astikainen@jyu.fi)提出合理请求后获取。
同行评审
本文的同行评审历史记录可在以下链接查看:https://www.webofscience.com/api/gateway/wos/peer-review/10.1111/ejn.70487
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号