Methodenkurs Phonetik / Phonologie

Transkript

1 Stunde

2 Inhalt Anfangsbemerkungen Durchführung des Produktionsexperimentes Analyse der erhobenen Daten Auswertung der Daten

3 Inhalt nächste Woche fällt die Vorlesung aus dasselbe gilt für die Tutorien dafür gibt es eine etwas erweiterte Hausaufgabe: Aufnahme und Analyse des Produktionsexperimentes bis zum 28.5.

4 Durchführung des Produktionsexperimentes

5 Durchführung Die Items für das Experiment wurden im Phonetiklabor aufgenommen. Dies sind die technischen Details: Transtec Computer Marantz Recorder pmd 570 Verstärker Sound devices (Prerecorder) sampling rate KHz Mikrofon Phantom 48V

6 Durchführung Die nächste Hausaufgabe ist, eine Versuchsperson zu finden und das Experiment einmal durchzuführen. Sie bekommen das Experimentfile von Ihrem Tutor. Was ist wichtig für die Durchführung des Experimentes? Rechner, der die PPT abspielen kann Aufnahme während des ganzen Experiments machen ruhiger, geschlossener Raum deutsche(r) Muttersprachler(in) Geschlecht und Alter der VP notieren Aufnahme als wav-datei speichern

7 Durchführung Aufnahmen machen, wie? über eine App auf dem Smartphone über den Mikrofoneingang des Rechners mithilfe von Praat Audacity ( über jemanden, dem die o.g. Mittel zur Verfügung stehen In der Hausarbeit müssen Sie berichten, welche technische Ausstattung Sie wann genutzt haben.

8 Analyse der erhobenen Daten

9 Analyse: Rohdaten Im Idealfall haben wir von jedem von Ihnen eine aufgenommene VP, d.h. eine lange Sounddatei mit Daten einer VP: 186 elizitierte Singularformen 186 = 6 Übungsitems + 90 Targets + 90 Filler 90 Targets: für unsere Zwecke auswertbare Datenpunkte davon 45 mit zugrundeliegend stimmhaften Plosiven und 45 mit zugrundeliegend stimmlosen Plosiven von diesen 45 sind je ein Drittel labiale, alveolare oder velare Plosive

10 Analyse: Rohdaten 1. Was wollen wir genau untersuchen, welche Informationen brauchen wir? 2. Wie kommen wir an diese Information?

11 Analyse Mehrere Parameter standen in früheren Papern zur Diskussion: Dauer des vorangegangenen Vokals Verschlussdauer Dauer der voicing-into-closure Explosionsdauer Aspirationsdauer

12 Analyse Worauf wir uns konzentrieren, unsere abhängige Variable: Dauer des vorangegangenen Vokals Verschlussdauer Dauer der voicing-into-closure Explosionsdauer Aspirationsdauer

13 Analyse Was wissen wir über die Dauer des dem stimmhaften/stimmlosen Plosiv vorangehenden Vokals?

14 Analyse Was wissen wir über die Dauer von dem stimmhaften/stimmlosen Plosiv vorangehenden Vokal? Er ist bei einem von beiden länger. Wann nämlich?

15 Analyse Was wissen wir über die Dauer von dem stimmhaften/stimmlosen Plosiv vorangehenden Vokal? Er ist bei einem von beiden länger. Wann nämlich? Vor stimmhaften Plosiven. Bleibt dieser akustische Cue also bei der Auslautverhärtung erhalten?

16 Analyse: Vorhersagen H 0 : Bedingungen unterscheiden sich nicht. H 1 : Bedingungen unterscheiden sich. Wie lauten die Null- und die Alternativhypothese konkret für dieses Experiment?

17 Analyse: Vorhersagen H 0 : Die Dauer des Vokals vor einem zugrundeliegend stimmhaften Plosiv unterscheidet sich nicht von der Dauer des Vokals vor einem zugrundeliegend stimmlosen Plosiv. H 1 : Die Dauer des Vokals vor einem zugrundeliegend stimmhaften Plosiv unterscheidet sich von der Dauer des Vokals vor einem zugrundeliegend stimmlosen Plosiv. Diese Alternativhypothese ist ungerichtet. Formulieren Sie eine gerichtete Alternativhypothese!

18 Analyse Wir brauchen die Information, wie lang Vokale in den kritischen Kontexten sind. Wie kommen wir nun an die Information?

19 Analyse Wir benutzen Praat für die Analyse. Alles, was wir dafür brauchen, wissen Sie im Grunde genommen schon. Öffnen der Rohdaten als Longsound Erstellen eines TextGrids Markieren der Vokale in den Targets als Intervall sinnvolles Labeln des entsprechenden Intervalls Speichern des TextGrids! Dauerinformation extrahieren

20 Analyse: Markieren der Vokale Wie findet man die Vokale im Spektrogramm? sind gekennzeichnet von Periodizität deutliche Formanten (verstärkte Energie, die sich als Schwärzung im Spektrogramm zeigt) Formanten sind abhängig von Zungenlage und -höhe F1 durch Zungenhöhe F2 durch Zungenlage und Lippenrundung

21 Analyse: Markieren der Vokale

22 Analyse sinnvolles Labeln Nutzen Sie die Label, die ich für die Items vorgegeben habe, z.b. labial-voiceless-1.wav als Basis. Entfernen Sie die Endung im Namen: labial-voiceless-1. Ergänzen Sie den Vokal am Ende des Namens: a, e, i, o, u, au, eu, ei. Endergebnis: labial-voiceless-1-a oder velar-voiced-6-i

23 Analyse Dauerinformation extrahieren manuelles Extrahieren: Intervall markieren Im Menü Query wählen Get selection length automatisiertes Extrahieren: Ebenen, die die Information enthalten, einheitlich benennen: Vokale Abfrage automatisieren per Skript

24 Analyse: Demonstration am Beispiel Öffnen Erstellen eines TextGrids Laute identifizieren Vokal markieren Labeln Dauerinformation extrahieren

25 Datenerhebung und Analyse Was Sie jetzt tun sollen: HA bis zum Aufnahme machen, an den Tutor schicken Ihre Daten auswerten: TextGrid mit Vokale -Ebene erstellen, Vokale markieren, sinnvoll benennen, fertiges TextGrid an Ihren Tutor schicken (Aufnahme und TextGrid sollten denselben Namen haben)

26 Auswertung der Daten

27 Auswertung Wenn ich die Daten mit dem Skript extrahiere, sehen sie pro VP in etwa so aus: Item Duration in s labial-voiceless-1-a velar-voiced-6-i velar-voiceless-11-u alveolar-voiced-7-au

28 Auswertung Mit Hilfe von Excel oder einem ähnlichen Programm sortiere ich die Daten und bringe etwas Struktur rein: Item Duration in s VP Voicing PoA Vokal labial-voiceless-1-a VP1 voiceless labial a velar-voiced-6-i VP1 voiced velar i velar-voiceless-11-u VP2 voiceless velar u alveolar-voiced-7-au VP2 voiced alveolar au

29 Auswertung Bevor wir an die Auswertung gehen, wollen wir noch ein paar statistische Grundbegriffe klären. Nachlesbar in allen möglichen statistischen Einführungen, bswp. in Greene, J. & M. D Oliveira (2003). Learning to use statistical tests in psychology. Maidenhead, Philadelphia: Open University Press.

30 statistische Grundbegriffe abhängige und unabhängige Variablen unabhängige Variable das, was wir als Forscher manipulieren, was wir untersuchen unabhängig, weil experimentelle Bedingungen, um diese Variable zu testen, unabhängig aufgesetzt werden, bevor das Experiment überhaupt beginnt abhängige Variable das, was wir als Forscher messen abhängig, weil die Messung in Abhängigkeit der vom Forscher festgelegten Bedingungen passiert Es wird untersucht, ob die Manipulation einer unabhängigen Variable einen Effekt auf die abhängige Variable hat.

31 statistische Grundbegriffe abhängige und unabhängige Variablen: Übung 1 Denken Sie an ein fiktives Experiment, in dem getestet wird, ob Leute weniger Zeit brauchen, einen illustrierten Text zu lesen als denselben Text ohne Illustrationen. Was ist die unabhängige Variable? Was ist die abhängige Variable? Was ist die Nullhypothese? Was ist die Alternativhypothese?

32 statistische Grundbegriffe abhängige und unabhängige Variablen: Übung 2 Unser Experiment: Was ist die unabhängige Variable? Was ist die abhängige Variable?

33 statistische Grundbegriffe deskriptive Statistik Die deskriptive Statistik gibt uns zunächst die Werte, erst die inferentielle Statistik erlaubt uns, diese zu beurteilen. Im Rahmen der deskriptiven Statistik sehen wir uns den Mittelwert, die Standardabweichung und den Standardfehler an.

34 statistische Grundbegriffe Variabilität in den Daten Ihnen sollte bewusst sein, dass unsere Daten sehr variabel sind, auch wenn wir im experimentellen Design uns größte Mühe gegeben haben, irrelevante Variablen auszuschließen. Die Messungen umfassen eine ganze Breite an Dauern. Die Frage ist jedoch, verbirgt sich hinter der Variablilität ein Muster: Gibt es systematische Unterschiede zwischen den Vokallängen vor zugrundeliegend stimmhaften und stimmlosen Plosiven, also Unterschiede, die auf unsere bewusste Manipulation der unabängigen Variable zurückzuführen sind? Oder gibt es keine Unterschiede abgesehen von unvorhersagbarer Variabilität?

35 statistische Grundbegriffe Variabilität in den Daten: Mittelwert Wir nehmen ja laut Alternativhypothese an, dass Vokale vor zugrundeliegend stimmhaften Plosiven länger sind als Vokale vor zurundeliegend stimmlosen Plosiven. Menschen sind verschieden. Sehr wahrscheinlich wird sich dahingehend jeder anders verhalten, auch spricht der eine generell schneller als der andere.

36 statistische Grundbegriffe Variabilität in den Daten: Mittelwert Das erste, was wir machen, ist, einen Durchschnitt zu berechnen für beide Bedingungen, den sog. Mittelwert/Mean. Man berechnet ihn durch die Summe aller Werte pro Bedingung geteilt durch die in der Bedingung zur Verfügung stehenden Datenpunkte: x = Σ n=observations.

37 statistische Grundbegriffe Variabilität in den Daten: Mittelwert Schließlich haben wir einen Mittelwert für die Dauer von Vokalen vor zugrundeliegend stimmhaften Plosiven und einen Mean für die Dauer von Vokalen vor zugrundeliegend stimmlosen Plosiven. Daraus bilden wir die Differenz. Die Frage ist, ob diese Differenz statistisch gesehen von Bedeutung ist. Das macht die inferenzielle Statistik.

38 statistische Grundbegriffe Variabilität in den Daten: Standardabweichung Die Standardabweichung (SD) ermöglicht uns, die Variabilität in den Daten zu betrachten. Sie ist ein Maß für die Streuung rund um den Mittelwert. Für die Berechnung der SD benötigen wir noch die Varianz: Varianz ist die mittlere quadratische Abweichung der Ergebnisse um ihren Mittelwert: Summe der Abweichungen der einzelnen Werte vom Mittelwert geteilt durch die Anzahl der Datenpunkte 1. SD ist die Quadratwurzel aus der Varianz: SD = Σ(x 1:n x) 2 n 1 SD gibt uns an, wie sehr das Ergebnis rund um den Mittelwert schwankt

39 statistische Grundbegriffe Beispielberechnung Angenommen, die Tabelle enthält für eine Bedingungen folgende Zahlen (markiert sind Minimum und Maximum):

40 statistische Grundbegriffe Beispielberechnung ie

41 statistische Grundbegriffe Beispielberechnung Mittelwert ( Σ x 1:n(x 1:n = sum of all observations) n=observations=20 ) = Σ(x Standardabweichung ( 1:n x) 2 n 1 ) =

42 statistische Grundbegriffe Beispielberechnung

43 statistische Grundbegriffe Variabilität in den Daten: Standardfehler Mit Hilfe des Standardfehlers (SE), der sich aus SD und Anzahl der Observationen in unserer Stichprobe ergibt, ist es uns möglich, einzuschätzen, wie sehr der Mittelwert bei erneuten Messungen (für die Population) schwanken wird: Die Formel lautet: SE = Standard Deviation number of observations Für unser Beispiel ergibt sich ein SE von Für den Mittelwert der Population heißt es, dass er mit 95%iger Wahrscheinlichkeit innerhalb des folgenden Bereiches liegt: Mittelwert ± 2 SE. Für die Beispieldaten bei dem Mittelwert von , bedeutet das einen Bereich von

44 statistische Grundbegriffe Beispielberechnung

45 statistische Grundbegriffe Die nun eingeführten Parameter der deskriptiven Statistik nutzt die inferentielle Statistik, um auszuwerten, mit welcher Wahrscheinlichkeit die Messungen sich tatsächlich unterscheiden, d.h. aus zwei Populationen stammen (in unserem Fall die Gruppe der Vokale vor zugrundeliegend stimmhaften und Vokale vor zugrundeliegend stimmlosen Plosiven) und nicht nur zwei Stichproben derselben Population sind (in unserem Falle: Vokale vor Plosiven, egal, ob stimmhaft oder stimmlos).

46 statistische Grundbegriffe Wahl der Analysemethode Welchen statistischen Test wir benutzen, ist abhängig vom experimentellen Design, bspw. davon, ob wir ein within- oder between-subjects-design haben Art der abhängigen Variable: kategorisch (2 oder mehr?) oder kontinuierlich Menge der experimentellen Bedingungen: zwei oder mehrere

47 statistische Grundbegriffe Wahl der Analysemethode Unser Experiment Within-Subjects-Design kontinuierliche Variable zwei Bedingungen: zugrundeliegend stimmhaft und zugrundeliegend stimmlos Eine einfache Methode für diese Art von Experiment ist der T-Test (related).

48 statistische Grundbegriffe Analyse Was genau macht der T-Test? Er überprüft, inwiefern unser Ergebnis zufällig herausgekommen ist und gibt uns eine Wahrscheinlichkeit, mit der wir unsere Alternativhypothese als erwiesen ansehen können. Er nutzt die Mittelwerte, SD und SE zweier Stichproben.

49 statistische Grundbegriffe Exkurs: Wahrscheinlichkeit Ein Würfel hat 6 Seiten: 1, 2, 3, 4, 5 und 6. Die Wahrscheinlichkeit, mit der wir eine 1, 2, 3, 4, 5 oder 6 würfeln, ist 1 (P = 1). Die Wahrscheinlichkeit, eine 6 zu würfeln, ist 1/6 (P = ). Die Wahrscheinlichkeit, eine gerade Zahl zu würfeln, ist 1/2 (1/6 + 1/6 + 1/6 = 3/6 = 1/2; P = 0.5).

50 statistische Grundbegriffe Exkurs: Wahrscheinlichkeit Die statistische Auswertung liefert uns also eine Wahrscheinlichkeit, mit der das Ergebnis ein Produkt des Zufalls ist, mit der die Nullhypothese nicht verworfen werden kann, mit der wir demnach die Alternativhypothese als erwiesen ansehen können

51 statistische Grundbegriffe Exkurs: Wahrscheinlichkeit Diese Wahrscheinlichkeit wird angegeben durch eine Zahl von p = 0.5 bedeutet, dass das Ergebnis zu 50% ein Produkt des Zufalls ist, dass die Nullhypothese mit 50%iger Wahrscheinlichkeit nicht verworfen werden kann, dass die Alternativhypothese mit 50%iger Wahrscheinlichkeit als erwiesen angesehen werden kann Ein solches Ergebnis wird uns vermutlich nicht zufrieden stellen.

52 statistische Grundbegriffe Exkurs: Wahrscheinlichkeit Abhängig vom Inhalt der Studie gibt es Konventionen, welches Signifikanzlevel als überzeugend gilt. In der (psycho-)linguistischen Forschung gilt ein Wert von p = 0.05 als signifikant, bei einem Wert p < 0.01 spricht man von hochsignifikant. Zu wie viel Prozent bedeutet ein Wert von p = 0.05 bedeutet, dass das Ergebnis ein Produkt des Zufalls ist? Zu wie viel Prozent bedeutet dieser Wert, dass die Nullhypothese verworfen werden kann? Zu wie viel Prozent bedeutet dieser Wert, dass wir die Alternativhypothese als erwiesen ansehen können? Wie sieht das Ganze bei einem Wert von p = 0.01 aus?

53 statistische Grundbegriffe Analyse: T-Test Der T-Test überprüft, wie hoch die Wahrscheinlichkeit für die Nullhypothese ist, also, dass die Differenz der Dauer von Vokalen vor zugrundeliegend stimmhaften Plosiven und der Dauer von Vokalen vor zugrundeliegend stimmlosen Plosiven gleich Null ist: t = (mean V b mean V p) (pop mean 1 pop mean 2 ) st. error Vb +st. error V p = t = (mean V b mean V p) (0 0) st. error Vb +st. error V p

54 statistische Grundbegriffe Analyse Ganz praktisch: Wie führen wir den T-Test durch? Dazu nächste Stunde mehr.

55 Auswertung Die Daten sind so weit aufbereitet, dass sie statistisch analysiert werden können. Dazu braucht man ein Statistikprogramm, bspw. R oder SPSS. Ich benutze R, das ist Freeware, die auch im professionellen Bereich verwendet wird. Man findet sie auf Benutzerfreundliche Oberflächen muss man bei Bedarf extra laden, bspw. hier: Für R gibt es im Netz zahlreiche Tutorials, Einführungen oder Hilfsforen. Auch Bücher sind verfügbar.