Vorhersage der Effekte visuellen Feedbacks auf die motorische Anpassung der Sprache bei gesunden Erwachsenen (PVF)

Während des Sprechens stützt sich das Gehirn auf mehrere Rückmeldungsquellen, einschließlich akustischer Eingaben und physischer Empfindungen von Zunge und Lippen, um die Sprache in Echtzeit zu überwachen und anzupassen. Menschen unterscheiden sich darin, wie sehr sie sich auf jede dieser Rückmeldungsquellen verlassen, und diese individuellen Unterschiede können vorhersagen, wer am meisten von verschiedenen Arten technologischer Unterstützung für das Sprachenlernen profitiert.

Diese Studie untersucht, ob ein rechnergestütztes Modell der individuellen Reaktion auf sensorische Rückmeldungen vorhersagen kann, wie sehr eine Person von der Hinzufügung von Echtzeit-Visual-Feedback während einer Sprachaufgabe profitiert. Die Teilnehmer werden eine Reihe von Aufgaben absolvieren, bei denen die akustische Rückmeldung der Sprache in Echtzeit über Kopfhörer verändert wird. Ein rechnergestütztes Modell wird dann verwendet, um abzuschätzen, wie stark sich jeder Teilnehmer beim Überwachen der Sprache auf das Gehör gegenüber der physischen Empfindung verlässt. Die Teilnehmer wiederholen dann die Aufgabe mit einer zusätzlichen visuellen Anzeige, die das Sprachsignal neben einem Ziel zeigt, was eine zusätzliche Rückmeldungsquelle bietet.

Die Hauptfrage ist, ob das rechnergestützte Profil der Nutzung sensorischer Rückmeldungen – insbesondere, ob eine Person sich stärker auf das Gehör oder auf physische Empfindungen verlässt – vorhersagt, wie sehr die visuelle Anzeige die Fähigkeit jedes Teilnehmers verbessert, auf die veränderte Rückmeldung zu reagieren.

Zu Beginn absolvieren die Teilnehmer zwei Versionen einer Aufgabe mit veränderter akustischer Rückmeldung (AAF) ohne visuelles Feedback. Die erste verwendet ein "Fast-Adapt"-Design, bei dem die veränderte Rückmeldung in kurzen experimentellen Durchläufen wiederholt eingeführt und zurückgezogen wird; die zweite verwendet ein Standard-Adaptive-Design, bei dem die veränderte Rückmeldung einmal eingeführt und für einen längeren Durchlauf beibehalten wird. Die Leistung in beiden Aufgaben wird dem SimpleDIVA-Computermodell zur Schätzung teilnehmerspezifischer akustischer und somatosensorischer Reaktionsparameter unterzogen. Die Verwendung von zwei Aufgabenvarianten ermöglicht die Bewertung der Stabilität der Parameterschätzungen über verschiedene Auslösebedingungen hinweg.

Die Teilnehmer absolvieren dann eine Standard-Adaptive-AAF-Aufgabe mit gleichzeitiger Echtzeit-Visual-Akustik-Biofeedback. Die visuelle Anzeige zeigt das aktuelle Audiowiedergabesignal (d. h. das veränderte Signal) neben einem visuellen Ziel, das von der Baseline-Produktion des Teilnehmers abgeleitet ist. Das primäre Ergebnismaß ist der visuelle Gewinn, definiert als der innerhalb des Teilnehmers liegende Unterschied in der Kompensationsgröße zwischen der auditiv-visuellen Rückmeldungsbedingung und der rein auditiven Bedingung der Standard-Adaptive-AAF-Aufgabe.

Die Hauptanalyse verwendet lineare Regression, um zu testen, ob SimpleDIVA-Parameter aus der Baseline-Phase die Größe des visuellen Gewinns vorhersagen. Der Prädiktor von primärem Interesse ist das Verhältnis von akustischer zu gesamter sensorischer Gewichtung, das die relative Dominanz von akustischem gegenüber somatosensorischem Feedback widerspiegelt. Die Baseline-Kompensationsgröße unter der rein auditiven Bedingung wird als Kovariate einbezogen. Ein gepaarter t-Test wird auch den Gesamteffekt der Hinzufügung von visuellem Feedback auf die Kompensationsgröße über die gesamte Stichprobe hinweg bewerten.