构建普通话语音网络：用于识别原理图分段的新型音节清单GyD.F4y2Ba

抽象的GyD.F4y2Ba

本研究的目的是通过网络科学和精神语言任务的结合构建，测量和确定音调语言普通话中语音处理的示意图。使用本机普通话扬声器执行两个语音关联任务，以确定最佳语音注释系统。第一个任务用于比较两个现有的音节库存并构建一个新颖的系统，在那里进行差。第二任务验证了新颖的音节库存。在两个任务中，发现参与者在每个可能的音节位置操纵词汇物品，但更喜欢在通过精神词典搜索中操纵词汇音调的同时维护整个音节。然后使用最佳音节库存作为普通话语音网络的基础。语音编辑距离用于构建同一网络的十六个版本，我们标题为音韵分割街区（PSNS）。十六款PSNS代表了一个关于音节细分的各项建议。音节细分以及词汇音调是否被视为一个单位影响PSNS拓扑。最后，通过模型选择程序分析来自第二任务的反应时间，其目标是识别任务期间最佳占精神目标的十六篇PSNS中的哪一个。 The identification of the tonal complex-vowel segmented PSN (C_V_C_T) was indicative of the stimuli characteristics and the choices participants made while searching through the mental lexicon. The analysis revealed that participants were inhibited by greater clustering coefficient (interconnectedness of words according to phonological similarity) and facilitated by lexical frequency. This study illustrates how network science methods add to those of psycholinguistics to give insight into language processing that was not previously attainable.

1.介绍GyD.F4y2Ba

网络科学和语音加工研究的结合，使得根据数学原理对心理词汇进行检验成为可能，这些数学原理具有理论和方法上的意义。研究人员使用了所谓的语音网络，即基于语音相似性将单词(节点)与其他单词(边)连接起来。语音网络已被用于基础研究，以检查单词识别过程中的语音处理[GyD.F4y2Ba1GyD.F4y2Ba那GyD.F4y2Ba2GyD.F4y2Ba]，Word生产[GyD.F4y2Ba3.GyD.F4y2Ba，单词学习[GyD.F4y2Ba4.GyD.F4y2Ba，以及工作记忆[GyD.F4y2Ba5.GyD.F4y2Ba］．最近，它们已被应用于语言病理学的研究中，包括对失语症语言的检查[GyD.F4y2Ba6.GyD.F4y2Ba<和口吃[GyD.F4y2Ba7.GyD.F4y2Ba那GyD.F4y2Ba8.GyD.F4y2Ba］．GyD.F4y2Ba

迄今为止已经检查的语音网络中的常见是在音素的水平下测量音韵相似性。这是由于通过语音编辑距离定义的节点之间的关系参数，其中如果通过添加，删除或替换单个音素的添加，删除或替换，则两个单词是“邻居”[GyD.F4y2Ba9.GyD.F4y2Ba］．因此，给定节点的程度是即时邻居的单词总数，最常被称为语音邻域密度[GyD.F4y2Ba10.GyD.F4y2Ba］．使用音素作为单词之间的基本单位可能存在的一个问题是它在非欧洲语言中的泛化性。而英语在语音网络拓扑建模方面得到了关注[GyD.F4y2Ba9.GyD.F4y2Ba-GyD.F4y2Ba13.GyD.F4y2Ba]，很少已经在英语外完成。这两项研究约会[GyD.F4y2Ba14.GyD.F4y2Ba那GyD.F4y2Ba15.GyD.F4y2Ba实现了单音素编辑度量。然而，对于跨语言的人来说，一刀切的方法是否合适呢?就普通话而言，这是一个特别切题的问题。普通话不仅有其独特的词汇特征，使其有别于迄今为止所研究的语言，而且在语音注释和音节分割这两个方面，也就是可能影响网络动态的两个方面，长期以来一直存在争议。GyD.F4y2Ba

由于一系列语言特征，普通话已成为精神语言文学的重点是测试以前为欧洲语言开发的语音处理模型的限制。也许最独特的是音节的状态，它是衡量的尺寸为主拼写单元的等效尺寸和高谐波。与英语或荷兰语不同，这两者都有超过10,000多个音节，普通话音节库存很小，具有〜1,300个音节加上音调和〜400没有音调。不包括不定期携带音调的选择数量的高频词汇项目，每个音节带有四个音调之一：音调1（高级间距，55），音调2（低上升间距，35），音调3（低浸渍间距214）或音调4（高下降间距，51）。除了称为Erhua的方言现象[GyD.F4y2Ba16.GyD.F4y2Ba)的字符儿(GyD.F4y2Baer2GyD.F4y2Ba)添加到另一个人物明显作为单个音节(玩儿,GyD.F4y2Ba完了er2GyD.F4y2Ba=GyD.F4y2Ba战争GyD.F4y2Ba），库存中的每个音节都匹配一个或多个汉字。普通话已被证明是大自然的基本上的;事实上，已经计算出所有普通话词的三分之二由两个字符组成[GyD.F4y2Ba17.GyD.F4y2Ba那GyD.F4y2Ba18.GyD.F4y2Ba］．然而，那些不以单音节词的形式存在的字符，也就是说它们只存在于多音节词中，仍然是影响同音相邻词数量的词汇项。在上下文中，相同的大约1300个音调音节服务于从单音节到多音节的词汇组合。这导致同音字密度(即一个给定单词的同音字邻居的数量)在考虑音调时高达48 [GyD.F4y2Ba19.GyD.F4y2Ba］．要把这个放在上下文中，11.6％的普通话词有同音言名语，而英语中的3.15％[GyD.F4y2Ba20.GyD.F4y2Ba］．高同音度已经被证明会导致口语词汇识别中的词汇竞争，反应速度较慢，准确率较低[GyD.F4y2Ba19.GyD.F4y2Ba那GyD.F4y2Ba21.GyD.F4y2Ba］．这对普通话鉴于差异与音节的关系是独特的。GyD.F4y2Ba

研究人员使用了两种方法来描述普通话音节是如何组成音节的。一种方法可以识别最多4个片段CGVX, C代表首辅音，G代表中间滑音，V代表单元音，最后的X代表双元音的第二部分，或最后的辅音。早期的描述提出了基于词尾成分或是否中间滑音在音节中构成一个独特的音系作用的分段模式:C_GVX [GyD.F4y2Ba22.GyD.F4y2Ba];c_g_vx [GyD.F4y2Ba23.GyD.F4y2Ba那GyD.F4y2Ba24.GyD.F4y2Ba];cg_vx [GyD.F4y2Ba25.GyD.F4y2Ba];和cg_v_x [GyD.F4y2Ba26.GyD.F4y2Ba那GyD.F4y2Ba27.GyD.F4y2Ba］．注意，这里的下划线表示音系单位之间的分离。第二种描述普通话音节的方法将所有的滑音和元音信息折叠，最多只留下3个单元:C_V_C [GyD.F4y2Ba28.GyD.F4y2Ba］．用于得出不同图式的方法是通过生产任务来实现的，这些任务要求参与者阅读句子，以测量音节的持续时间[GyD.F4y2Ba29.GyD.F4y2Ba-GyD.F4y2Ba31GyD.F4y2Ba，或在押韵游戏中产生语音邻居[GyD.F4y2Ba25.GyD.F4y2Ba那GyD.F4y2Ba32GyD.F4y2Ba那GyD.F4y2Ba33GyD.F4y2Ba］．最近的方法从这些方法脱离，而是调查分段作为感知或生产的产品。GyD.F4y2Ba

O'Séaghdha和同事[GyD.F4y2Ba34GyD.F4y2Ba那GyD.F4y2Ba35GyD.F4y2Ba假设可以选择的第一个音韵单位低于单词或语素水平，标题为靠近单位，对应于普通话中的非晶音节。他们的论文是，单位规模将各种各样的语言，授予英语等印度语言中的音素和音素集群，而日本人的莫拉夫等较大的单位。语音错误分析支持了这一趋势，使得在英语中，主导单位大小是分段[GyD.F4y2Ba36GyD.F4y2Ba那GyD.F4y2Ba37GyD.F4y2Ba]和普通话音节[GyD.F4y2Ba38GyD.F4y2Ba-GyD.F4y2Ba40GyD.F4y2Ba］．对于像英语和荷兰语这样的字母语言的使用者来说，对两个词汇项之间的音节开始的敏感性已经在大量的研究和跨多个范式中被记录下来[GyD.F4y2Ba35GyD.F4y2Ba那GyD.F4y2Ba41GyD.F4y2Ba-GyD.F4y2Ba46GyD.F4y2Ba］．这些研究表明，先前的准备在词汇素质和目标词汇项目之间共享的节段性单位速度的速度产生了目标字的产生，这意味着进行分段信息发生临时存储。相应的初步研究表明，Syllabic Priming结果尚未在隐式引发中没有显着的突出术中的初始启动[GyD.F4y2Ba35GyD.F4y2Ba那GyD.F4y2Ba47GyD.F4y2Ba]并掩盖的启动任务[GyD.F4y2Ba48GyD.F4y2Ba-GyD.F4y2Ba50GyD.F4y2Ba］．为了消除汉字的音节偏倚，研究人员用图片[GyD.F4y2Ba49GyD.F4y2Ba那GyD.F4y2Ba51GyD.F4y2Ba听觉刺激[GyD.F4y2Ba51GyD.F4y2Ba］．支持近期单位的证据也以粤语发言者的启动研究进去了进展[GyD.F4y2Ba52GyD.F4y2Ba-GyD.F4y2Ba54GyD.F4y2Ba和日语[GyD.F4y2Ba55GyD.F4y2Ba-GyD.F4y2Ba58GyD.F4y2Ba］．虽然没有明确提出的音节模式作者直接相关单位的建议,他们的声明,被选中的主要单位是没有语调表明,要么没有语调不分段模式的目标(CGVX),或其色调同行(CGVX_T)看到的音节结合语气之前生产。GyD.F4y2Ba

要与语音生产研究相比，是一种越来越多的证据，支持普通话员，在语音识别期间，逐步处理分段信息，并与色调信息平行处理分段信息。在与ERP的图像字匹配范例中分析词汇单元之间的差分处理[GyD.F4y2Ba59GyD.F4y2Ba-GyD.F4y2Ba61GyD.F4y2Ba]和眼睛跟踪[GyD.F4y2Ba62GyD.F4y2Ba］．Malins和他的同事们发现，全音节不匹配的影响并不比单个音节的影响更大，这与之前在英语中发现的结果一致[GyD.F4y2Ba63GyD.F4y2Ba］．这激发了他们的主张，即处理是分段的，这一主张在[GyD.F4y2Ba61GyD.F4y2Ba，发现了音节级处理的更多证据。然而，后一项研究的一个重要区别是，他们在展示图片刺激时也使用了汉字。他们的结果可能是由于激活音节大小的拼字法而产生的影响。Malins和他的同事们提出的这一主张的一个限制是，这些词存在于一个音调完全分段的模式(C_G_V_X_T)中，它们没有根据滑动或X单位来特征不匹配对[GyD.F4y2Ba59GyD.F4y2Ba那GyD.F4y2Ba60GyD.F4y2Ba那GyD.F4y2Ba62GyD.F4y2Ba］．因此，迄今为止，这些研究提供了色调复合物或铃声模式（CG_VX_T）的证据。GyD.F4y2Ba

目前的研究通过创建新颖的语音注释系统开始从头开始，也同时称为音节库存。需要创建新的库存，因为（1）现有库存之间的差异[GyD.F4y2Ba23.GyD.F4y2Ba那GyD.F4y2Ba64GyD.F4y2Ba-GyD.F4y2Ba66GyD.F4y2Ba]可以是非常重要的，并且（2）现有的库存都没有特别用语音相似性进行。通过参与者引发的语音邻居在两个语音协会任务中构建了新颖的库存。语音关联任务已与两个非字数一起使用[GyD.F4y2Ba67GyD.F4y2Ba-GyD.F4y2Ba71GyD.F4y2Ba单词刺激[GyD.F4y2Ba2GyD.F4y2Ba那GyD.F4y2Ba72GyD.F4y2Ba那GyD.F4y2Ba73GyD.F4y2Ba]并提供与音节分割相关的信息，并要求在该参与者中操纵的单位创造最小的对。最小的对在识别语音单位中发挥了重要作用[GyD.F4y2Ba74GyD.F4y2Ba那GyD.F4y2Ba75GyD.F4y2Ba]因为他们能够区分来自音素的音乐。在两个任务中，我们根据编辑距离（分段单元数量的两个单词之间的差异），确定了音节和音调单位的各自显着性，编辑类型（无论是一个单词和下一个单词之间的操作是否通过添加，删除那或者苏B.S.T.一世T.你T.一世O.NO.F a segmental unit), and edit location (i.e., the structural unit that a manipulated segment corresponds to in a fully segmented syllable: C_G_V_X_T).

在实验1中，我们利用我们的参与者的制作来评估2个现有的注释系统。然后，我们基于符合我们参与者的产品不同意的空白构建了新的注释系统。在实验2中，我们验证了哪种系统在最佳地代表的普通话语音学，鉴于语音相似性。GyD.F4y2Ba

然后使用最佳注释系统来构建十六个语音网络（8个带音和8号音调的8个），每个都是从现有的提议或建议的透露的普通话音节分段构建。为避免诸如网络或架构等术语之间的混淆，我们介绍了术语语音分割邻域（PSN）。16个PSN中的每一个是基于不同示意图构建的相同词汇的表示。虽然它们都分享相同的词汇项目，但它们在构成邻居的内容中不同。例如，给定语音字GyD.F4y2BaXiang4.GyD.F4y2Ba，(用汉语拼音写，也就是拼音)，有声调的完全分段PSN (C_G_V_X_T)的邻域与它的非声调对等物(C_G_V_X)的邻域有三个不同之处(GyD.F4y2BaXiang1.GyD.F4y2Ba那GyD.F4y2BaXiang2.GyD.F4y2Ba， 和GyD.F4y2BaXiang3.GyD.F4y2Ba）。由于分段单元的组合，并且是否包括音调在单词之间的相似性计算中，因此在每个PSN之间产生程度和其他拓扑网络统计的差异。分析每个PSN的拓扑网络特性类似于[GyD.F4y2Ba14.GyD.F4y2Ba］．GyD.F4y2Ba

最后，进行了分析以确定普通话语音心理词典最佳代表任务需求的哪些可能的示意图。我们在建模假设下进行，即级别模型的尺寸范围内给定的目标字[GyD.F4y2Ba76GyD.F4y2Ba，或戴尔模式的音系表示法框架[GyD.F4y2Ba77GyD.F4y2Ba，就像在长期记忆中与之相连的单词一样，具有相同的分割属性。在模型选择过程中，我们利用了16个psn之间的局域网络特征(即字级)的差异。第二个联想任务的反应时间与每个PSN的多个词汇统计值相匹配，目的是确定哪一个最能代表提取语音邻居的潜在心理过程。根据之前在普通话语音产生研究中的发现，我们的假设是，在我们的建模过程中可以识别出一个未分割的音节，无论是有声调的(CGVX_T)还是无声调的(CGVX)，比如[GyD.F4y2Ba70GyD.F4y2Ba[根据网络的程度计算，更大的密度，可以促进心理搜索。GyD.F4y2Ba

2.实验1GyD.F4y2Ba

2.1。方法GyD.F4y2Ba

2.1.1。参与者GyD.F4y2Ba

34名母语为普通话的参与者(女性:21;年龄:M, 24.74;SD, 5.29)参加本实验。没有参与者报告有语言或听力障碍的历史。在实验之前，参与者被要求完成一份简短的传记调查。除了年龄和性别，调查的内容还包括他们所在的省份的名字，他们对英语口语流利程度的自我评分，评分范围从1(初学者)到10(母语者)(男:6.26;SD: 1.11)、其他中国语言/方言和/或其他非中国语言。在他们的家乡省份，我们根据该地区是否传统上讲普通话(关华语)将他们分为两组(关华语:21;non-Guanhua: 13)。为了表示相似的中文语言/方言之间日益激烈的竞争，我们对所有自评值的中文语言/方言的数量进行了总结，从3到10。 This gave us a value that roughly reflects the number of Chinese languages/dialects (M: 2.14; SD: 0.56) that would have words similar to our target Mandarin stimuli. All participants reported native-level proficiency in Mandarin.

香港理工大学人类受试者伦理小组委员会(编号:HSEARS20140908002)在开始招募前审核并批准了本研究中进行的所有实验的相关细节。参与者给予知情同意，并获得50HKD的参与补偿。GyD.F4y2Ba

2.1.2。刺激GyD.F4y2Ba

该材料由155个普通话单音琴字单词组成，可以在表格中看到GyD.F4y2Ba1GyD.F4y2Ba．这些刺激根据被试所处的阶段分为三组:最小样本对，32对;实践中,10;测试,113年。来自北京地区的一位女性演讲者对着一个高质量的麦克风，以正常语速讲5次目标单音节词，从而产生了所有的刺激。选择长度最接近组均值的产品。每个单音节单词的发音都由以普通话为母语的志愿者进行转录来验证。转录子之间没有完全一致的刺激被记录和重新评估，直到所有刺激被至少10名志愿者验证。所有刺激均使用Audacity 2.1.2编辑，长度为415ms。GyD.F4y2Ba

在实验的练习阶段之前，将样本最小的配对暴露给参与者。提供声音相似的听觉例子的想法是在飞行过程中产生的。在给出创建最小配对或相似发音音节的指示后，我们的飞行员参与者基本上不确定是什么构成了相似性。卢斯和大[GyD.F4y2Ba71GyD.F4y2Ba]通过向参与者提供单音素差异规则来避免这一可能的陷阱，而Wiener和Turnbull [GyD.F4y2Ba70GyD.F4y2Ba在他们的四个实验区块中，有三个区块要对哪个片段进行操作。我们选择提供例子对是因为我们不想让我们的参与者偏向于一个音调完全分段的音节(C_G_V_X_T);然而，不可能为每个分段模式提供一个完美的均匀的例子，因为音节可以根据音节中单位的数量或音节中段的解释以多种方式解释。例如，音节对GyD.F4y2Babi3GyD.F4y2Ba〜GyD.F4y2Babian3GyD.F4y2Ba可以解释为C_GVX_T和CG_VX_T与Z&L库存(/piGyD.F4y2Ba^{214GyD.F4y2Ba}/，/钢琴GyD.F4y2Ba^{214GyD.F4y2Ba}/），同时只用LIN Inventory代表C_GVX_T（LIN：/ PIGyD.F4y2Ba^{214GyD.F4y2Ba}/，/pjɛnGyD.F4y2Ba^{214GyD.F4y2Ba}/)。在给我们的参与者提供的17对的体现中，7组由单段操作根据库存（GyD.F4y2BaCHI3〜ZI3GyD.F4y2Ba；GyD.F4y2Baou1 ~ sou1GyD.F4y2Ba；GyD.F4y2Bamiu4 ~ you4GyD.F4y2Ba；GyD.F4y2Banie4〜nue4.GyD.F4y2Ba；GyD.F4y2BaKa3〜Kua3.GyD.F4y2Ba；GyD.F4y2Bapiao4 ~ pao4GyD.F4y2Ba；GyD.F4y2BaShan1〜Shan4.GyD.F4y2Ba），而9由林或Z＆L（Z＆L）由多个段操纵组成GyD.F4y2Bafo2 ~ fei2GyD.F4y2Ba；GyD.F4y2Baran2 ~ rang2GyD.F4y2Ba；GyD.F4y2BaZhe4〜zhen4.GyD.F4y2Ba；GyD.F4y2Ba黄~ hua2GyD.F4y2Ba；GyD.F4y2Batian2 ~ tuan2GyD.F4y2Ba；GyD.F4y2Balie4〜luo4GyD.F4y2Ba；GyD.F4y2Bamian2 ~ miao2GyD.F4y2Ba；GyD.F4y2Babi3 ~ bian3GyD.F4y2Ba；GyD.F4y2Badiu1〜di1.GyD.F4y2Ba）。GyD.F4y2Ba

创建测试刺激，目标是表示普通话语言中的所有音节结构。这是通过通过添加辅音来从音节清单添加两个词汇项，而不管词汇音调如何完成。例如，添加辅音，/ k /和/ ts /，到非晶基本音节/ ai /产生GyD.F4y2Ba盖1GyD.F4y2Ba那GyD.F4y2BaZai4.GyD.F4y2Ba， 和GyD.F4y2Ba爱啊GyD.F4y2Ba,分别。值得注意的是刺激的选择，如表所示GyD.F4y2Ba1GyD.F4y2Ba，是由于音节清单的性质而产生的一些特性。首先，基本的rime音节，GyD.F4y2Baer2GyD.F4y2Ba， 和GyD.F4y2Baweng1GyD.F4y2Ba，没有相应的初始辅音邻居。相反，拼音音节结束了“GyD.F4y2Ba英格GyD.F4y2Ba(林和泽立:/əŋ/)，比如GyD.F4y2Ba邓3.GyD.F4y2Ba， 和GyD.F4y2Ba郑4.GyD.F4y2Ba；“GyD.F4y2Ba一世GyD.F4y2Ba“如在GyD.F4y2BaRI4，SI3GyD.F4y2Ba（林：/ɹGyD.F4y2Ba̩GyD.F4y2Ba/和Z&L: /ʅ/);和“GyD.F4y2Baong.GyD.F4y2Ba“（Lin和Z＆L：/Uŋ/），位于GyD.F4y2Ba们也GyD.F4y2Ba和GyD.F4y2BaCong2.GyD.F4y2Ba，没有相应的基音rime音节。接下来，基于语音策略和某些发病的高发生率，我们加入了额外的条目。拼音开始的辅音GyD.F4y2BajGyD.F4y2Ba“/ tɕ/。”GyD.F4y2Ba问：GyD.F4y2Ba/tɕʰ/，和"GyD.F4y2BaXGyD.F4y2Ba/ɕ/只与一个小范围的rimes同时出现，最明显的是伴随着三个滑音(林:/j，ɥ，w/;Z&L: /i, y, u/)。它们与滑音的更频繁出现意味着选择它们是不可避免的，并将因此导致它们在刺激设置中的过度代表("GyD.F4y2BajGyD.F4y2Ba/tɕ/:6个刺激;“GyD.F4y2Ba问：GyD.F4y2Ba/tɕʰ/:6个刺激;“GyD.F4y2BaXGyD.F4y2Ba“/ɕ/：7刺激）。因此，我们添加了较低的拼音率的持续性“GyD.F4y2Ba一世GyD.F4y2Ba“（GyD.F4y2Ba李,di4 ni3GyD.F4y2Ba),“GyD.F4y2Ba荷兰国际集团(ing)yD.F4y2Ba“（GyD.F4y2BaLin2，Pin1GyD.F4y2Ba),“GyD.F4y2Ba荷兰国际集团(ing)GyD.F4y2Ba“（GyD.F4y2Baming2, ting1GyD.F4y2Ba）， 和 ”GyD.F4y2Ba英格yD.F4y2Ba“（GyD.F4y2Ba高人GyD.F4y2Ba那GyD.F4y2BaSEN1.GyD.F4y2Ba）。GyD.F4y2Ba

2.1.3。过程GyD.F4y2Ba

坐在一个运行e-prime 2.0的电脑前的一个安静的房间里[GyD.F4y2Ba78GyD.F4y2Ba]并戴着配备可调麦克风的耳机，每个参与者都接触到三个阶段：预先训练，练习和测试。在开始之前，实验参与者被指示未生成非资格，其中包括与现有汉字不相对应的音节。对于预先展示阶段，参与者被告知要倾听，而不是响应，因为它们被接触到17个字对作为类似探测音节的示例。E.一种CHP.AI.R.W.一种S.P.R.E.S.ented according to the same procedure: an auditory stimulus was presented during a blank screen that lasted the word’s duration followed by a slide that read “听起来像” (sounds like) for 500ms, that was then immediately followed by its minimal pair during a blank screen that lasted the duration of the stimulus. Between each pair, a dark grey slide that featured, “…”, in the center of the screen remained for 2000ms.

在练习阶段，参与者被要求对10个项目中的每个项目说出发音相似的音节。每个刺激都出现在一个空白屏幕上，没有时间限制。参与者被告知，通过激活PST系列反应框，他们的口头回答将提前下一次试验。暂停500 ms的每个参与者的反应,其次是幻灯片,上面写着“下一GyD.F4y2Ba词“下一个单词）下次试用前的500ms。测试阶段遵循所有113个随机测试项目的相同程序。整个任务平均花了15分钟才能完成。使用Audacity 2.0.6在第二台计算机上记录音频以进行离线分析。GyD.F4y2Ba

２.２.结果与讨论GyD.F4y2Ba

两名母语为普通话的志愿者将参与者的口语翻译成拼音，符合率为93%。第三个抄写员解决分歧或将未解决的项目归类为非项目。然后，拼音反应被翻译成符合Lin和Z&L音节清单的sampa (ascii音系转录)。GyD.F4y2Ba

我们的参与者因与现有汉字相对应的大量法律音节回应，但不是单音琴字。由于其资格作为词汇项目，我们没有折扣这些物品。在线词典www.zdic.net [GyD.F4y2Ba79GyD.F4y2Ba，通过识别给定的音节是否与现有汉字对应来对非项目状态进行分类。Zdic.net，包括75,983个字符的定义和发音，已被用作在几个研究中消除词汇外词汇的歧义的资源[GyD.F4y2Ba80GyD.F4y2Ba-GyD.F4y2Ba83GyD.F4y2Ba］．GyD.F4y2Ba

缺少（67），不包括相同的响应（138）和非审核（260），占3,842个观察总数的12.16％。GyD.F4y2Ba

2.2.1。音节库存创建GyD.F4y2Ba

在当前部分，我们通过使用我们的参与者的制作，详细介绍了创建新型音节库存。首先要注意，LIN和Z＆L库存都没有用于下面描述的过程中，根据语音相似性构建。虽然LIN的库存通过语音分析通知，但创建了Z＆L库存以用于词汇处理的计算模型。它们对目前目的是有价值的，因为它们具有批判性差异。这两个库存根据滑动镜头不同，如可以在音节中看到的GyD.F4y2Baying2.GyD.F4y2Ba， 和GyD.F4y2Ba清3.GyD.F4y2Ba（林：/JəŋGyD.F4y2Ba^35GyD.F4y2Ba/，/tɕʰjəŋGyD.F4y2Ba^{214GyD.F4y2Ba}/;z＆l：/iŋGyD.F4y2Ba^35GyD.F4y2Ba/，/tɕʰiŋGyD.F4y2Ba^{214GyD.F4y2Ba}/),GyD.F4y2Bayu3.GyD.F4y2Ba和GyD.F4y2Ba岳4GyD.F4y2Ba（林：/ɥGyD.F4y2Ba^{214GyD.F4y2Ba}/, /ɥeGyD.F4y2Ba^51GyD.F4y2Ba/;Z&L: / yGyD.F4y2Ba^{214GyD.F4y2Ba}/，/yɛGyD.F4y2Ba^51GyD.F4y2Ba/),GyD.F4y2Bahun2GyD.F4y2Ba和GyD.F4y2Bakuai4.GyD.F4y2Ba（林：/XWəNGyD.F4y2Ba^35GyD.F4y2Ba/，/ kwaiGyD.F4y2Ba^51GyD.F4y2Ba/;徐Z&L: /ənGyD.F4y2Ba^35GyD.F4y2Ba/, /块GyD.F4y2Ba^51GyD.F4y2Ba/)。它们还根据某些元音而不同，例如音节中的那些元音GyD.F4y2Baou4GyD.F4y2Ba， 和GyD.F4y2Ba后GyD.F4y2Ba(林:/ ouGyD.F4y2Ba^51GyD.F4y2Ba/, / xouGyD.F4y2Ba^51GyD.F4y2Ba/;Z&L: /əuGyD.F4y2Ba^51GyD.F4y2Ba/, / xəuGyD.F4y2Ba^51GyD.F4y2Ba/),GyD.F4y2Baye1.GyD.F4y2Ba那GyD.F4y2Bayan2GyD.F4y2Ba， 和GyD.F4y2Ba胡安3GyD.F4y2Ba（林：/ jeGyD.F4y2Ba^55GyD.F4y2Ba/, / jɛnGyD.F4y2Ba^35GyD.F4y2Ba/, / tɕɥɛnGyD.F4y2Ba^{214GyD.F4y2Ba}/;z＆l：/iɛGyD.F4y2Ba^55GyD.F4y2Ba/，/伊恩GyD.F4y2Ba^35GyD.F4y2Ba/, / tɕ燕GyD.F4y2Ba^{214GyD.F4y2Ba}/)。GyD.F4y2Ba

这两个库存不同的事实应该提醒我们昭的义力理论[GyD.F4y2Ba84GyD.F4y2Ba］．唯一性理论认为，由于表示音系系统的方法不止一种，对于一种给定的语言来说，没有绝对更好的库存，而是有一种更适合于给定目的的库存。我们创建一个新的音节表的目的是确保建立在音位相似性基础上的网络依赖于音位相似性基础上同样建立的音节表。GyD.F4y2Ba

在库存创建中，我们没有寻求通过小说音素的分类重新定义普通话语音学，而是将现有库存与我们的参与者的最小对创作进行比较，以便选择哪种音素最适合他们的产品。因此，我们首先试图识别我们参与者最小的对何处不同意LIN和/或Z＆L库存的注释。通过计算每种刺激的平均编辑距离来评估注释系统与我们的参与者的作品之间的协议。高协议意味着给定的刺激的平均编辑接近1.在计算平均编辑距离之前，由于它们的节段单元相同，调度邻居被除去。GyD.F4y2Ba

高低协议的刺激是识别将遵循我们参与者最小的对制作的转录的变化。例如，刺激GyD.F4y2BaAN4GyD.F4y2Ba为Z＆L和Lin获得了1.42的平均编辑，为新形成的Neergaard和Huang Inventory（N＆H）获得了1.26的较低平均编辑。这是由于修改霜，/GyD.F4y2BaɑGyD.F4y2Baŋ/，至/a∈/（n＆h：/ aGyD.F4y2Ba^51GyD.F4y2Ba〜aŋ.GyD.F4y2Ba^51GyD.F4y2Ba/，编辑= 1;林和左:/anGyD.F4y2Ba^51GyD.F4y2Ba〜GyD.F4y2BaɑGyD.F4y2BaŋGyD.F4y2Ba^51GyD.F4y2Ba/，编辑= 2）。刺激的平均编辑，GyD.F4y2Ba清3.GyD.F4y2Ba（Lin：2.86; Z＆L：1.71; N＆H：1.71）说明了Plide，/ J /，在LIN库存中创建了较低的协议（LIN：/TɕʰjəŋGyD.F4y2Ba^{214GyD.F4y2Ba}〜tɕʰin.GyD.F4y2Ba^{214GyD.F4y2Ba}/，编辑= 3;Z&L和N&H: /tɕʰiŋGyD.F4y2Ba^{214GyD.F4y2Ba}〜tɕʰin.GyD.F4y2Ba^{214GyD.F4y2Ba}/，编辑= 1）。GyD.F4y2Ba

识别低一致性的另一种方法是通过瞄准特定的注释选择，从而改进N&H库存。Lin的滑翔注释/j,w，ɥ/在多个最小对上的一致性较低，例如GyD.F4y2Baxin1 ~ xian1GyD.F4y2Ba（林：/ɕGyD.F4y2Ba^55GyD.F4y2Ba〜ɕjɛn.GyD.F4y2Ba^55GyD.F4y2Ba/，编辑= 2;Z&L: /ɕGyD.F4y2Ba^55GyD.F4y2Ba~ɕ伊恩GyD.F4y2Ba^55GyD.F4y2Ba/，编辑= 1;n＆h /ɕinGyD.F4y2Ba^55GyD.F4y2Ba〜ɕiɛn.GyD.F4y2Ba^55GyD.F4y2Ba/，编辑= 1），GyD.F4y2Bamo2〜mu2GyD.F4y2Ba（林：/ MWOGyD.F4y2Ba^35GyD.F4y2Ba~μGyD.F4y2Ba^35GyD.F4y2Ba/，编辑= 2;Z&L: /帽GyD.F4y2Ba^35GyD.F4y2Ba~μGyD.F4y2Ba^35GyD.F4y2Ba/，编辑= 1;n＆h / muoGyD.F4y2Ba^35GyD.F4y2Ba~μGyD.F4y2Ba^35GyD.F4y2Ba/，编辑= 1），GyD.F4y2Ba了~ qun2GyD.F4y2Ba（林：/tɕʰɥenGyD.F4y2Ba^35GyD.F4y2Ba〜tɕʰyn.GyD.F4y2Ba^35GyD.F4y2Ba/，编辑= 2;z＆l：/tɕʰyanGyD.F4y2Ba^35GyD.F4y2Ba〜tɕʰyn.GyD.F4y2Ba^35GyD.F4y2Ba/，编辑= 1;n＆h /tɕʰyɛnGyD.F4y2Ba^35GyD.F4y2Ba〜tɕʰyn.GyD.F4y2Ba^35GyD.F4y2Ba同样地，Lin和Z&L在带有“ong”rime(注:/uŋ/)的拼音音节上的一致性也很低。参与者更喜欢产生包含/o/而不是/u/的语音邻居，如例子中所示，GyD.F4y2Bayong4〜you4GyD.F4y2Ba(林:/ juŋGyD.F4y2Ba^51GyD.F4y2Ba〜jou.GyD.F4y2Ba^51GyD.F4y2Ba/，编辑= 2;z＆l：/iuŋGyD.F4y2Ba^51GyD.F4y2Ba~我əuGyD.F4y2Ba^51GyD.F4y2Ba/，编辑= 2;高新/ ioŋGyD.F4y2Ba^51GyD.F4y2Ba〜IO.GyD.F4y2Ba/，编辑= 1）。GyD.F4y2Ba

有两种情况，其中N＆H库存崩溃了现有类别。与会者使邻居忽略LIN和Z＆L音素/ɤ/和/ɘ/之间的差异。通过将它们折叠到单个音素中，/ɘ/，n＆h减少了与LIN和Z＆L相比的平均编辑，例如GyD.F4y2Baer2GyD.F4y2Ba(林:2.5:Z&L: 2.5;N&H: 2.13)，如图所示GyD.F4y2Baer2 ~ e2GyD.F4y2Ba（林：/ɤrGyD.F4y2Ba^35GyD.F4y2Ba~ɘGyD.F4y2Ba^35GyD.F4y2Ba/，编辑= 2;z＆l：/ɤʐGyD.F4y2Ba^35GyD.F4y2Ba~ɘGyD.F4y2Ba^35GyD.F4y2Ba/，编辑= 2;高新/ɘrGyD.F4y2Ba^35GyD.F4y2Ba~ɘGyD.F4y2Ba^35GyD.F4y2Ba/，编辑= 1）。n＆h崩溃了/GyD.F4y2BaɔGyD.F4y2Ba/和/ou/，以及/o/和/ɘu/的z和l区别，变成单个双元音/oGyD.F4y2Ba/。该决定是基于Garnering为N＆H库存的较低平均编辑，例如GyD.F4y2BaBo1.GyD.F4y2Ba（林：1.7：Z＆L：2; N＆H：1.65），GyD.F4y2Bamo2GyD.F4y2Ba（林：1.94：Z＆L：1.94; N＆H：1.76），和GyD.F4y2Bahuo2GyD.F4y2Ba(林:1.71:Z&L: 1.71;高新:1.59)。它也是基于最小对的编辑距离，比如GyD.F4y2Baou4 ~ o1群GyD.F4y2Ba(林:/ ouGyD.F4y2Ba^51GyD.F4y2Ba〜GyD.F4y2BaɔGyD.F4y2Ba^55GyD.F4y2Ba/，编辑= 3;Z&L: /ɘuGyD.F4y2Ba^51GyD.F4y2Ba〜O.GyD.F4y2Ba^55GyD.F4y2Ba/，编辑= 3;N＆H / O.GyD.F4y2Ba〜O.GyD.F4y2Ba/，编辑= 1）。GyD.F4y2Ba

在林，Z＆L和N＆H音节库存中可以看到10个音节的示例可以在表格中看到GyD.F4y2Ba2GyD.F4y2Ba．见表GyD.F4y2Ba3.GyD.F4y2Ba对于N＆H音素库存。GyD.F4y2Ba

评估三个音节清单的最后一步包括编辑距离值之间的ANOVA（不包括音调邻居）：LIN（M：1.90; SD：0.92）;Z＆L（M：1.72; SD：0.81）;N＆H（M：1.67; SD：0.79）。主要效果很大（f = 43.46; p <0.001）。两两比较结果显示，Z&L (p < 0.001)和N&H (p < 0.001)量表均优于Lin量表。在Z＆L和N＆H的编辑距离值之间没有发现显着差异。GyD.F4y2Ba

2.2.2。编辑信息GyD.F4y2Ba

编辑距离（包括色调邻居）根据LIN，Z＆L和N＆H音节库存计算相似度。单段编辑在61到67％之间的正确响应（LIN：61％; Z＆L：65％; N＆H：67％），而双段编辑超过20％（Lin：23％; Z＆L：24％;N＆H：24％），三段编辑占10％（林：12％; Z＆L：9％; N＆H：8％），并且四个和五个段编辑组合大约是正确响应的3％：林：4％; Z＆L：2％; N＆H：2％）。GyD.F4y2Ba

单段编辑可以进一步描述，方法是指出在完全段模式(C_G_V_X_T)中修改了哪些段，以生成每个操作所生成的最小对(编辑位置)和编辑类型(添加、删除或替换)。在单次编辑操作中，被改变的主要部分是词汇语气，这占了三种问卷中所有正确回答的34%。第二常被篡改的部分是声母，约占18% (Lin: 18%;Z&L: 18%;高新:19%)。其余部分的答对率不到8%。在所有调查中，中间下滑幅度被操纵了约2%。单色虫约为5%(林:4%;Z&L: 5%;N&H: 5%)，最后的X在3%到8%之间(林:3%; Z&L: 6%; N&H: 8%). As for edit type, the majority of manipulations made for correct responses were made through substitution (Lin: 55%; Z&L: 55%; N&H: 56%). Edits made from the addition of a segment accounted for between 5 and 8% (Lin: 5%; Z&L: 7%; N&H: 8%), while deletion type edits accounted for roughly 2% of correct responses (Lin: 1%; Z&L: 3%; N&H: 3%).

2.3。讨论GyD.F4y2Ba

在本实验中，由被试引出的最小对被试在创造一个新的音节表的同时，也提供了对汉语音节单位的认识。目前来看，Z&L和新创建的N&H库存均优于Lin库存，后两者无统计学差异。在切分方面，虽然结果显示所有单位都受到操纵，但有两个主要单位的普遍存在:未切分音节和词汇语气。这些结果本身也许并没有减少每个部分的地位，但强调了一种精神搜索最小对的音调路线。关于这个实验结果的另一个值得注意的地方是，讲普通话的参与者给出的单次编辑回答的比例更低(Lin: 61%;Z&L: 64%;N&H: 67%)。GyD.F4y2Ba71GyD.F4y2Ba71%， [GyD.F4y2Ba2GyD.F4y2Ba] 74.5％，[GyD.F4y2Ba73GyD.F4y2Ba)为84.21%。可以安全地假设Luce和Large值较低[GyD.F4y2Ba71GyD.F4y2Ba他们参与者的答复结果是赋予口语反应的结果，而在Vitevitch和同事俩的研究中[GyD.F4y2Ba2GyD.F4y2Ba那GyD.F4y2Ba73GyD.F4y2Ba]编写了记录的响应。较低的单编辑操作百分比的另一个原因可能是由于我们的示例对的性质。鉴于我们的参与者确实在所有单位中产生了操作的例子，我们在第二个语音关联任务中决定使用显式单编辑示例验证三个注释系统的性能，如[GyD.F4y2Ba71GyD.F4y2Ba］．我们希望这能增加单次编辑操作的数量，从而有助于区分三个清单中哪一个与参与者的操作最一致。GyD.F4y2Ba

3.实验2GyD.F4y2Ba

3.1。方法GyD.F4y2Ba

3.1.1。参与者GyD.F4y2Ba

在34名新招募的母语是普通话的参与者中，有一名参与者被排除在进一步考虑之外，因为他们将普通话列为非主导语言。其余33名参与者的普通话达到了母语水平(女性:22;年龄:M, 23日;没有人报告有语言、听力或视觉障碍。在自我评价英语口语能力方面，参与者的特征与第一个实验的参与者没有差异(M: 6.55;SD: 1.23)，传统普通话地区(关华:23;非官话:10)，或说中国语言/方言的数量(M: 2.39;SD: 0.74)。GyD.F4y2Ba

与实验1一样，所有参与者均给予知情同意，并按照当地伦理委员会的规定获得50HKD的参与补偿。GyD.F4y2Ba

3.1.2。刺激GyD.F4y2Ba

实验2的刺激包括200个测试项目和10项。然而，两个项目被折扣不存在于www.zdic.net字典中，从而减少我们的总量为198个刺激测试项目。从实验1刺激装置使用九十七种刺激。使用相同的语音和程序创建101个新刺激。在实验1中选择新的刺激和抗刺激抑制的决定因素是，是否可以占Sumblex-Ch的单词列表的词汇频率。GyD.F4y2Ba85GyD.F4y2Ba］．选择通过聚合电影字幕创建的Subtex-Ch WordList，因为与从书面源计算的频率相比，字体类型已经显示为更高的预测语言处理任务[GyD.F4y2Ba85GyD.F4y2Ba那GyD.F4y2Ba86GyD.F4y2Ba］．有关九万九千一百二十五个汉字的拼音及其后的“桑巴”字的详细资料，可参阅“普通话邻里统计数据库”[GyD.F4y2Ba87GyD.F4y2Ba］．GyD.F4y2Ba

如图所示GyD.F4y2Ba4.GyD.F4y2Ba，我们把每一个基音rime音节加上三到六个相邻的辅音。与实验1相同，某些刺激缺少基本音圈，而其他刺激没有辅音圈。那些只有三个辅音相邻的刺激与基本的雾凇音节有关GyD.F4y2Ba元2.GyD.F4y2Ba和GyD.F4y2Ba雍三GyD.F4y2Ba．它们仅限于三个辅音邻居，因为只有三种可能的靴子，“GyD.F4y2BajGyD.F4y2Ba那GyD.F4y2Ba问：GyD.F4y2Ba那GyD.F4y2BaXGyD.F4y2Ba/tɕ，tɕʰ，ɕGyD.F4y2Ba/GyD.F4y2Ba，可用于这些基本阶段，我们不想重复一个非腔色音节。GyD.F4y2Ba

3.1.3。过程GyD.F4y2Ba

该程序与实验1不同，因为没有给出预先展示阶段。一世NP.L.一种CE.O.FT.H一世S.那 participants were given oral instructions as to what consisted of a similar sounding monosyllable through the use of the target syllable ling2 (e.g., 零), which they were told had the neighbors: ling4 (e.g., 另), ning4 (e.g., 宁), lang2 (e.g., 狼), and lin2 (e.g., 磷). All other procedural aspects were the same as in Experiment 1.

3.2。结果GyD.F4y2Ba

与实验1相同的转录过程。缺失(53个)、相同(210个)、非项目(505个)和语义相关(3个)被排除在分析之外。GyD.F4y2Ba

我们再一次根据参与者的最小成对产生来评估三个音节清单中哪一个最能解释音位相似性。重复同样的过程，我们在对三个库存的编辑距离进行方差分析之前排除了音调邻域:SD: 0.87);Z&L (M: 1.71;SD: 0.78);高新(M: 1.64;SD: 0.75)。主效应显著(F=65.3;p < 0.001)。两两比较结果显示，Z&L (p < 0.001)和N&H (p < 0.001)量表均优于Lin量表。 Meanwhile the N&H inventory outperformed the Z&L inventory (p = 0.002).

然后，为三个库存计算编辑信息，包括编辑距离，位置和类型。所有计算均来自不同的响应，包括色调邻居。GyD.F4y2Ba

单段编辑占68和73％（LIN：68％; Z＆L：71％; N＆H：73％）。双段编辑占21％（林：20％; Z＆L：22％; N＆H：20％）。三段编辑占5％至10％（林：10％; Z＆L：7％; N＆H：5％），组合的四个和五段编辑在1到2％之间（LIN：2％; Z＆L：1％; n＆h：1％）。GyD.F4y2Ba

编辑单段编辑的位置再次在词汇色调位置占主导地位，占正确响应的46％。第二个最常见的操纵，15％，再次发生在初始辅音。剩余的音节位置看到了一个组合的5至16％的操作实例（最终X：Lin：3％; Z＆L：5％; N＆H：7％：林：林：3％; Z＆L：4％; N＆H：4％，和内侧滑行：1％）。GyD.F4y2Ba

在64 - 66%之间(Lin: 64%;Z&L: 65%;高新:66%)。增加一个片段所做的编辑占3 - 5%(林:3%;Z&L: 4%;N&H: 5%)，而删除类型的编辑约占正确回复的2% (Lin: 1%;Z&L: 2%;高新:2%)。GyD.F4y2Ba

3.3。讨论GyD.F4y2Ba

第二个语音关联任务识别了一个最佳注释系统，同时提供了重复的切分偏差证据，特别是在保持整个音节的同时操纵词汇语调。与实验1相比，实验1所做的改变包括(1)改变指令以提供单编辑的例子，(2)增加刺激的数量，这分别增加了单编辑产品的百分比(实验1:61-65%;实验2:67-73%)，在识别新形成的N&H音节表为最优音节表时，具有更大的辨别能力。在应用非唯一性理论原理时[GyD.F4y2Ba84GyD.F4y2Ba，我们可以推测，建立在音位相似性基础上的N&H量表，是在音位相似性基础上建立的音位网络中模拟汉语词汇的最佳选择。GyD.F4y2Ba

4.语音分割社区GyD.F4y2Ba

以往对语音网络的研究的目的是从构建的、随机的和真实的语言图中推断语言处理和/或词汇发展的本质。已经使用了许多拓扑度量。我们将要报道的这些研究都来自同样的六项研究[GyD.F4y2Ba9.GyD.F4y2Ba那GyD.F4y2Ba11.GyD.F4y2Ba-GyD.F4y2Ba15.GyD.F4y2Ba］．r中的igraph包[GyD.F4y2Ba88GyD.F4y2Ba用于构建和测量所有下图。GyD.F4y2Ba

要考虑的第一个值是程度。在单词级别表示时，注释为GyD.F4y2BaK.GyD.F4y2Ba，它是给定单词的单编辑邻居的数量。在拓扑级别，注释为GyD.F4y2Ba 那GyD.F4y2Ba它是整个网络中每个节点的邻居的平均值，或者来自网络中最大的完全连通子图，也被称为网络的巨型组件。迄今为止研究的语音网络的巨大组成部分已经被证明占用了32-66%的可用节点，这比由人工语料库构建的语音网络要低[GyD.F4y2Ba9.GyD.F4y2Ba］．每个网络的巨型组件都将报告下面特征的所有拓扑措施。GyD.F4y2Ba

邻居之间的连通性是通过聚类系数来表示的。在单词层面，注释为GyD.F4y2BaCCGyD.F4y2Ba，它是邻居之间互为邻居的比例。在宏观级别上取的平均值被注释为GyD.F4y2Ba ．GyD.F4y2Ba语音网络已经显示GyD.F4y2Ba对于巨型组件，值介于0.191-0.383之间。GyD.F4y2Ba

另一种衡量互联密度关系的方法是给定节点的密度与其相邻节点的密度之间的相关性，称为程度混合(GyD.F4y2BamGyD.F4y2Ba）[GyD.F4y2Ba89GyD.F4y2Ba那GyD.F4y2Ba90GyD.F4y2Ba］．当阳性，称为各种混合的程度时，该值表明网络的节点倾向于具有与其他致密节点连接的密度节点。到目前为止，声音网络，无论是来自真正的词汇列表还是人工构建的词汇，都有一切都是各种各样的。从真实词汇列表构建的网络已显示GyD.F4y2BamGyD.F4y2Ba介于0.556和0.762之间。GyD.F4y2Ba

网络密度的最终衡量标准，我们向其注释为GyD.F4y2Ba 那GyD.F4y2Ba是网络的平均最短路径长度。它是给定节点和巨大分量内的其余节点之间的平均距离，因此通过网络扩展的度量。声音网络已被证明具有GyD.F4y2Ba对于大型组件，值介于6.08和10.40之间。GyD.F4y2Ba

我们根据psn是否具有小世界特征对它们进行了分类。显示小世界特征的网络(GyD.F4y2Ba>GyD.F4y2Ba-rn.GyD.F4y2Ba；GyD.F4y2Ba>GyD.F4y2Ba-rn.GyD.F4y2Ba）有价值观GyD.F4y2Ba和GyD.F4y2Ba大于从随机网络生成的那些（GyD.F4y2Ba-rn，GyD.F4y2Ba -rn.GyD.F4y2Ba）。我们报告了由与与其相比相同数量的节点和边缘构建的Erdos-renyi随机网络的10个迭代的平均值和标准偏差。据信，在搜索期间，据信小世界结构可以帮助速度[GyD.F4y2Ba91GyD.F4y2Ba]，从而归纳为词汇激活的传播[GyD.F4y2Ba13.GyD.F4y2Ba那GyD.F4y2Ba15.GyD.F4y2Ba］．迄今为止，所有语言网络都在其巨大组件中显示了小的世界特征。GyD.F4y2Ba

最后，我们还报告了PSNS的程度分布是否可以被描述为具有幂律程度分布。Vitevitch [GyD.F4y2Ba13.GyD.F4y2Ba]，由于幂律度分布与自组织之间的联系，使人们注意到语音网络的分布可能是词汇形成的线索[GyD.F4y2Ba92GyD.F4y2Ba]和无标度网络的两个基本原则:增长和优先依恋[GyD.F4y2Ba93GyD.F4y2Ba那GyD.F4y2Ba94GyD.F4y2Ba］．优先连接描述新节点与已经紧密连接的节点建立连接的过程。无标度特征与幂律度分布联系的一个限制是，无标度网络可以来自于其他增长方法[GyD.F4y2Ba95GyD.F4y2Ba］．音系网络并没有显示出明确的幂律分布，而是一个具有cut-off的幂律[GyD.F4y2Ba3.GyD.F4y2Ba那GyD.F4y2Ba5.GyD.F4y2Ba那GyD.F4y2Ba9.GyD.F4y2Ba那GyD.F4y2Ba14.GyD.F4y2Ba那GyD.F4y2Ba15.GyD.F4y2Ba］．cut-off一词是指选择一个适合分布的起点的过程[GyD.F4y2Ba96GyD.F4y2Ba]，意味着只描述给定分发的一部分。使用[GyD.F4y2Ba97GyD.F4y2Ba］．GyD.F4y2Ba

虽然初步研究持乐观众多变量表明认知过程中的哪一种[GyD.F4y2Ba13.GyD.F4y2Ba那GyD.F4y2Ba15.GyD.F4y2Ba，似乎很少有可能成为候选人。伪词汇的构建及其随后与真实语音网络的比较表明，小世界特征并非词汇本质固有的[GyD.F4y2Ba11.GyD.F4y2Ba那GyD.F4y2Ba98GyD.F4y2Ba]由于来自随机采样的分布的分布，因此，由于来自随机采样所作的分布的部分，因此优惠附件不是词汇增长的可能性GyD.F4y2Ba9.GyD.F4y2Ba］．Turnbull和Peperkamp [GyD.F4y2Ba12.GyD.F4y2Ba由于它是区分英语语音网络和5种随机图表的唯一值，他们把希望放在了程度选型混合上。斯特拉和布莱德[GyD.F4y2Ba9.GyD.F4y2Ba与他们所构建的网络相比，他们的英语网络也具有更高的协调性。然而，尚不清楚是否0.103 [GyD.F4y2Ba12.GyD.F4y2Ba]或0.117 [GyD.F4y2Ba9.GyD.F4y2Ba]他们的真实网络和他们的第二个最高构建的网络有意义。其他研究表明，单词长度在网络中发挥着独特的作用。网络统计数据受字长的影响[GyD.F4y2Ba9.GyD.F4y2Ba那GyD.F4y2Ba12.GyD.F4y2Ba那GyD.F4y2Ba98GyD.F4y2Ba，因为根据单一编辑度量，长度和音系相似度之间存在负相关。形态更丰富的语言分布更稀疏[GyD.F4y2Ba14.GyD.F4y2Ba那GyD.F4y2Ba98GyD.F4y2Ba，通过图表测量来暗示跨语言差异。GyD.F4y2Ba

4．1.构建psnGyD.F4y2Ba

N&H清单经过验证后，然后使用它创建一个由所有已提出或建议的示意图表示的邻居统计数据的数据库。为了提供所有可能的排列，我们添加了以前为台湾语使用者提出的分段双元音图式[GyD.F4y2Ba99GyD.F4y2Ba]的非调性形式(C_G_V_C)和调性形式(C_G_V_C_T)。汉语中出现双元音的可能性由[GyD.F4y2Ba100.GyD.F4y2Ba］．桌子GyD.F4y2Ba5.GyD.F4y2Ba呈现十六个分段模式，每个模式有两个示例音节。GyD.F4y2Ba

词汇频率和随后的邻域频率计数（单词“邻居的平均频率”）再次从Sumblex-Ch进行调整[GyD.F4y2Ba85GyD.F4y2Ba]，详情载于“国语邻里统计数据库”[GyD.F4y2Ba87GyD.F4y2Ba］．在计算音系相邻词之前，将所有同音异义词分解为单个项，并对其频率进行求和，即对音系词的定义。然后，每个PSN都是从最常见的3万个语音单词中创建的，这与Arbesman等人分析的普通话网络的大小大致相同。[GyD.F4y2Ba14.GyD.F4y2Ba］．这导致了与现有结构和内容相似的资源在程度(PND)上的细微差异[GyD.F4y2Ba87GyD.F4y2Ba]计算相似性，从顶级17,000个最常见的音韵单词。为了计算其程度，增加了刺激但不存在于Subtlex-Ch Word列表中的单个单位区，但是被赋予1的频率计数，因此不是来自其前30,000个声音词的一部分进行学位计算。最后，我们在CGVX PSN中的单音节之间取出了边缘，由每个目标单个单个单个单词的397个单音节邻居组成，由于它们之间没有有意义的关系。GyD.F4y2Ba

4．2．拓扑结构GyD.F4y2Ba

如图所示GyD.F4y2Ba6.GyD.F4y2Ba，与过去的音韵网络相比，PSNS在内部和外部预期范围内表现出网络特征。与以前的网络不同，GyD.F4y2Ba(2.79 - -17.72),GyD.F4y2BamGyD.F4y2Ba（0.454-0.918），巨大成分覆盖的网络比例（尺寸：30.53-88.15％）都显示出大量的值，其中一些是先前报道的两倍。GyD.F4y2Ba（0.247-0.628）可能是PSNS跨越相对稳定性的唯一措施。符合过去的网络，所有PSN都表现出小的世界特征（GyD.F4y2Ba>GyD.F4y2Ba-rn.GyD.F4y2Ba；GyD.F4y2Ba>GyD.F4y2Ba-rn.GyD.F4y2Ba）。GyD.F4y2Ba

在表格中GyD.F4y2Ba6.GyD.F4y2Ba，我们根据每个PSNS最大音节（单位）内的单位数来表征十六个普通话PSN。在图GyD.F4y2Ba1GyD.F4y2Ba，我们看到两个单位和词汇色调决定了每个PSN模式如何根据其网络特征。首先脱颖而出的是未分段的PSNS（CGVX，CGVX_T）从其分段对应的距离。虽然CGVX_T根据尺寸（a）和GyD.F4y2Ba(b)，它在GyD.F4y2BamGyD.F4y2Ba(c)，但其高值与CGVX相似GyD.F4y2Ba（d）。同时，CGVX具有独特的高位GyD.F4y2Ba(139.97)和规模，类似于Newman报告的合作网络[GyD.F4y2Ba101.GyD.F4y2Ba］．GyD.F4y2Ba相比之下非常低，说明有那么高GyD.F4y2Ba尺寸等同于任何给定邻居之间的短距离。只有在GyD.F4y2BamGyD.F4y2Ba根据Nontonal PSNS的CGVX模式。另一方面，分段的PSN显示了一些梯度分布。大小显示出更大分割的负趋势，特别是对于色调的PSN，这与发现的正趋势相反GyD.F4y2Ba ．GyD.F4y2Ba两种分割没有线性效果GyD.F4y2BamGyD.F4y2Ba或者GyD.F4y2Ba ．GyD.F4y2BamGyD.F4y2Ba展示网络统计数据之间唯一的分配。不幸的是，没有立即指示为什么低GyD.F4y2BamGyD.F4y2Ba组(C_GVX_T, C_V_C_T, CG_V_X_T)的值大约是high值的一半GyD.F4y2BamGyD.F4y2Ba组(CG_VX_T, C_G_VX_T, C_G_V_C_T, C_G_V_X_T)。GyD.F4y2Ba

在表格中GyD.F4y2Ba6.GyD.F4y2Ba我们看到并非所有psn都包含部分幂律分布。那些包含幂律部分的是非音调的和音调的，并且具有不同的单位长度(非音调:CGVX, C_GVX, C_V_C, CG_V_X;色调:CGVX_T, CG_VX_T, CG_V_X_T, C_G_VX_T, C_G_V_C_T, C_G_V_X_T)，对于那些没有色调的也可以这样说(非色调:CG_VX, C_G_VX, C_G_V_C, C_G_V_X;色调:C_GVX_T C_V_C_T)。细分单位也不应该受到责备，因为所有的单个单位和它们的组合都出现在两个分配组中。GyD.F4y2Ba

4.3。音节长度GyD.F4y2Ba

在前30,000个音系词中，单音节占3.80% (n=1,141)，双音节占72.17% (n=21,652)，三音节占14.84% (n=4453)，四音节占8.73% (n=2618)，其余5、6、7音节的音系词占不到1% (n=136)。在图GyD.F4y2Ba2GyD.F4y2Ba我们说明了分布GyD.F4y2Ba和GyD.F4y2Ba 那GyD.F4y2Ba对于单音节和双音节，根据每个PSN中最大音节单位(units)的数量。由于分段psn和未分段psn的不同，我们将分别考虑。GyD.F4y2Ba

在图中GyD.F4y2Ba2GyD.F4y2Ba（a）和GyD.F4y2Ba2GyD.F4y2Ba（b）我们看到更大的分割和添加词汇音导致单音节和天才的邻居较少。psns最低GyD.F4y2Ba都是由5个单元组成的，并且都是色调的(C_G_V_C_T, C_G_V_X_T)。而只有CG_VX和C_GVX两个单位的分段音节，则都是非声调的，并且是最高的GyD.F4y2Ba的分段psn。相比GyD.F4y2Ba 那GyD.F4y2Ba的故事GyD.F4y2Ba对于单音节和双音节就不那么清楚了。单位和之间没有趋势GyD.F4y2Ba对于单音节（图GyD.F4y2Ba2GyD.F4y2Ba(c)从分段psn。相反,GyD.F4y2Ba分段的PSNS的强行版中受到词汇的影响。数字GyD.F4y2Ba2GyD.F4y2Ba(d)表明非调性psn均有较高GyD.F4y2Ba比色调psn。GyD.F4y2Ba

要考虑未分段式PSN的异常行为，我们首先将交换机解决GyD.F4y2Ba在单音节之间（GyD.F4y2Ba= 286)和双音节词(GyD.F4y2Ba= 26)。对于CGVX_T中的单音节，给定声调分配的每一个音系词都是具有相同声调的其他单音节的邻居，形成5个不同的子图(声调0-4)。对于单音节单词来说，相邻单词之间完全的相互联系意味着这些单词具有GyD.F4y2BaCCGyD.F4y2Ba靠近1的值，如图所示GyD.F4y2Ba3.GyD.F4y2Ba（C）。另一方面，CGVX_T PSN的DisyLlabic单词有3个单元，其中4个单元必须与另一个单词进行分类，以分类为邻居，因此不要从线性关系之间大致不同GyD.F4y2Ba和分段的PSNS的单位。单位的增加不仅减少了GyD.F4y2Ba 那GyD.F4y2Ba但是也GyD.F4y2Ba ．GyD.F4y2Ba

与CGVX_T PSN相比，非音调未分割PSN (CGVX)具有相反的开关GyD.F4y2Ba对于单音节（GyD.F4y2Ba= 117）和DisyLlable（GyD.F4y2Ba= 186）。由于Nontonal Disylabic单词链接到单音节，其他天赋和三角区，因此邻居数量增加了对天空主义单词的增加。与单音节不同，其中GyD.F4y2Ba和GyD.F4y2Ba分布因单位而异，双音节在单位和两者之间呈线性关系GyD.F4y2Ba(b)和GyD.F4y2Ba（d）。GyD.F4y2Ba

帮助理解分割和词汇基调在数字级别的网络功能中的作用GyD.F4y2Ba3.GyD.F4y2Ba我们说明了音调单音琴字GyD.F4y2Baniao3GyD.F4y2Ba/ niaGyD.F4y2Ba/及其非州同行GyD.F4y2Ba鸟GyD.F4y2Ba/ niaGyD.F4y2Ba/。的没有语调GyD.F4y2Ba鸟GyD.F4y2BaCGVX(图GyD.F4y2Ba3.GyD.F4y2Ba（a））是在Byarllable网络中的唯一单个单个单个单音。通过添加词汇音（图GyD.F4y2Ba3.GyD.F4y2Ba(b))，排除所有双音节，邻域分类基于单音节是否同音。与此同时,一个分段GyD.F4y2Ba鸟GyD.F4y2Ba(图GyD.F4y2Ba3.GyD.F4y2Ba（c））有单个界面的单个邻居，单个段，以及Distyllabic邻居，如GyD.F4y2Ba你好GyD.F4y2Ba/ ni xao /。这不是这种情况GyD.F4y2Baniao3GyD.F4y2Ba(图GyD.F4y2Ba3.GyD.F4y2Ba(d))，它只有其他单音节作为邻居。GyD.F4y2Ba

4.4。讨论GyD.F4y2Ba

本文共构建了16个汉语普通话的psn，这些psn在音节切分和词汇声调上各不相同。网络统计显示，这两种特征决定了音系词之间的相似性。更大的分割和音调的存在意味着更小的密度分割的邻居。psn的图GyD.F4y2Ba对每个分段网络的大小（对于非蒙语PSN）提供信息，GyD.F4y2Ba(对于色调psn较大)，GyD.F4y2BamGyD.F4y2Ba（所有PSNS的分类，并为TONAL PSNS分开），GyD.F4y2Ba(没有明显的趋势)。相比之下，在每个网络测量中，无论是在巨大分量的规模上，还是在分离单音节和双音节时，未分段psn的表现都与分段psn不同。对单词水平图的考察表明，对于单音节，声调的存在限制了对其他单音节的邻音选择，而非声调psn的单音节既有单音节的邻音，也有双音节的邻音。而对于未分割的PSN (CGVX)，这种情况更加严重，来自非声调未分割PSN (CGVX)的单音节词只有双音节邻居，来自声调未分割PSN (CGVX_T)的单音节词只有单音节邻居。GyD.F4y2Ba

我们现在转向考察语言网络，特别是语音网络的拓扑特征的主要目标。鉴于语言加工和词汇形成的特性可以从词汇表构建的语音网络中推断出来，我们提出了一个问题，即基于之前的网络测量，我们能否预测出这16个psn中哪一个是最可能的普通话候选词。GyD.F4y2Ba

以前的语音网络尺寸显示在32到66％之间。该范围包括所有分段和色调的PSN，同时排除非统一分段组和未分段的PSN，其下降在69-88％的范围内。因此，单独使用大小将预测可能的候选人，如色调和分段。GyD.F4y2Ba

语音网络在平均聚类系数中显示在0.191和0.383之间（GyD.F4y2Ba ）。GyD.F4y2Ba色调和非正元性分段的PSN包含一个落在0.247和0.460之间的一组。使用GyD.F4y2Ba作为指示器将排除具有更高值的未分段的PSN（CGVX：0.578; CGVX_T：0.628）。GyD.F4y2Ba

尽管语音网络有可能处于负分类的范围内GyD.F4y2BamGyD.F4y2Ba，语音网络是积极的(选型)，在0.556-0.762之间。我们的psn也是协调性的，但没有遵循特定的趋势。非声调psn在0.577-0.689之间紧密分组，其模式与以前的语音网络相似。音调psn的分布分裂意味着低组低于(C_V_C_T: 0.454;(CG_VX_T: 0.470)预期范围，而高组远高于(CG_VX_T: 0.918;C_G_V_X_T: 0.900;C_G_VX_T: 0.894;C_G_V_C_T: 0.891)。只有两个音调网络接近或在预期范围内(C_GVX_T: 0.538;CGVX_T: 0.733)。GydF4y2Ba

语音网络已经显示了值GyD.F4y2Ba在6.08和10.40之间。该范围不包括非统一的未分段PSN（CGVX：2.79），色调分段的PSN，其值较高的值落在12.12和17.72之间。然而，过去的网络近于或在非晶分段PSNS（5.31-7.65）和色调未分段的PSN（CGVX_T：504）范围内。GyD.F4y2Ba

最后，虽然所有的psn都满足小世界网络的条件，但并不是所有的psn都是无标度网络。分割和音调都不能解释为什么四个非音调网络(CG_VX, C_G_VX, C_G_V_C, C_G_V_X)和两个音调网络(C_GVX_T, C_V_C_T)没有幂律度分布。GyD.F4y2Ba

没有单一的PSN模式根据过去的语音网络。而discount Size, C_GVX、C_V_C和CG_V_X这三个非音调分段psn则满足其余条件。在下一节中，我们评估实验2的反应时间，目的是确定哪16个psn是可能的候选者。GyD.F4y2Ba

5.模型选择过程GyD.F4y2Ba

目前方法的目标是通过与它们绑定的词汇统计来识别最佳PSN。从一开始，这暗示了与许多其他模型相比的最佳模型的识别。我们开始向后选择，以确定哪些与会者相关和刺激相关的预测因子合理于随机效果结构。具有复杂随机效应结构的目的是不提高诊所性分析的易加化，如Barr等人所提出的。[GyD.F4y2Ba102.GyD.F4y2Ba]但是，反而限制了目前过度估计我们网络预测因子的影响的当前探索性分析，并在处理与会者和刺激相关特征时引导未来的确认分析。与心理学文献中的当前规范一样，主题和项目被包括在所有型号中的随机拦截。在识别随机效应结构后，根据符合的16个全模型进行评估GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba使用kenward-roger近似[GyD.F4y2Ba103.GyD.F4y2Ba］．我们在R中使用“r2glmm”包[GyD.F4y2Ba104.GyD.F4y2Ba]以(1)衡量两者的边际GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba对于完整模型和半部分模型GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba对于每个固定效果，和(2)执行GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba我们的最高排名模式之间的差异测试。GyD.F4y2Ba

在线下使用SayWhen测量反应时间[GyD.F4y2Ba105.GyD.F4y2Ba］．一名参与者被排除，因为平均反应时间大于组平均值的2.5个标准差。反应时间大于3000ms小于415ms的异常值被排除，然后是三个刺激(GyD.F4y2Badia3GyD.F4y2Ba那GyD.F4y2Bafo2GyD.F4y2Ba那GyD.F4y2Bagun3GyD.F4y2Ba)，错误率超过参与者人数的三分之一。在剩下的6240个实验中，31个错误的开始，391个非项目，187个相同的项目，24个缺失，和1个语义相关的项目被排除，给我们1530ms的平均值(SD: 557ms)。GyD.F4y2Ba

排除后，参与者的回答包括1-5之间的编辑距离:编辑13532个观察(M: 1496ms;SD: 556 ms);编辑2,934个观测数据(M: 1617ms;SD: 550 ms);编辑3,245个观测数据(M: 1642ms;SD: 553 ms);编辑4,49次观测(M: 1766ms;SD;552 ms);编辑5,6个观测数据(M: 1756ms; SD: 677).

年龄、性别、英语口语自我评价、是否来自传统的关华地区都不显著，片段长度也不显著(SegLen 1:5, SegLen 2:47;SegLen 3: 98;第4章:45)和词法声调(声调1:49;语气2:47;语气3:43;语气4:56)。我们的参与者所使用的汉语语言/方言的数量(Num_Chinese)确实是方差的重要组成部分。我们的初步模型显示，Num_Chinese值越高，反应时间越慢。由于这个变量代表参与者水平上的变化，它被添加到随机效应结构中作为受试者的随机斜率。GyD.F4y2Ba

所考虑的固定效果包括编辑和五个变量，由于PSN构造而不同：同音静音（HD），词汇频率（FREQ），邻域频率（NF），单词级别（GyD.F4y2BaK.GyD.F4y2Ba）和单词级聚类系数（GyD.F4y2BaCCGyD.F4y2Ba）。80个网络预测因子的所有均值和标准偏差（16个PSNGyD.F4y2Ba5网络预测器）可以在表中找到GyD.F4y2Ba7.GyD.F4y2Ba．编辑不居中，因为它只是5个级别的间隔测量，而变量代表psn (HD，GyD.F4y2BaK.GyD.F4y2Ba那GyD.F4y2BaCCGyD.F4y2Ba，弗里克，NF）是以中心的。模型选择输出可以在表格中看到GyD.F4y2Ba8.GyD.F4y2Ba．GyD.F4y2Ba

结果识别色调复合元音分段PSN（C_V_C_T）作为具有边缘的最佳模型GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba0.162。第二个最高排名模型属于两个Nontonal PSNS（C_V_C，C_G_VX），边缘GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba值0.154。一个GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba差异测试表明，C_V_C_T PSN显着高于竞争对手（P <0.001）。GyD.F4y2Ba

桌子GyD.F4y2Ba8.GyD.F4y2Ba揭示了根据Tonal PSNS的归档​​占差异的大部分，而不是Nontonal PSN。NF在所有PSN中发挥了有限的作用，而HD则占未分段和色调PSNS（不包括C_GVX）的一部分方差。最后，尽管如此，尽管如此GyD.F4y2BaK.GyD.F4y2Ba考虑四个PSNS（CGVX，CG_VX，C_G_VX，C_GVX_T）的方差的一部分，GyD.F4y2BaCCGyD.F4y2Ba外径GyD.F4y2BaK.GyD.F4y2Ba在半偏GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba十二个psns。GyD.F4y2Ba

C_V_C_T PSN模型的模型估计如表所示GyD.F4y2Ba9.GyD.F4y2Ba，表明单音节词的发音更大GyD.F4y2BaCCGyD.F4y2Ba抑制心理搜索和语音邻居的生产。高频率和低编辑都会对邻居进行搜索。张量产品在轮廓图中平滑[GyD.F4y2Ba106.GyD.F4y2Ba]，如图所示GyD.F4y2Ba4.GyD.F4y2Ba，用来可视化两者之间的显著互动GyD.F4y2BaCCGyD.F4y2Ba. c_v_c_t和编辑(调整R-sq。= 0.002;F = 11.85;p < 0.001)。图表显示，当刺激量较低时，与低编辑量的促进效果相反GyD.F4y2BaCCGyD.F4y2Ba，低编辑响应趋于生产慢于高编辑响应。GyD.F4y2Ba

6.讨论GyD.F4y2Ba

模型选择过程使用与十六个PSN中的每一个相关的词汇统计来确定在语音邻居的心理搜索期间使用的可能结构。基于Wiener和Turnbull的语音关联任务的先前调查结果[GyD.F4y2Ba70GyD.F4y2Ba，我们预测一个促进作用到高GyD.F4y2BaK.GyD.F4y2Ba．我们还预测了一个未分割的PSN (CGVX, CGVX_T)的识别，基于生产研究的发现，音节是汉语检索的第一个单位，即“近似单位”。与我们的预测相反，模型选择识别出了音调复合元音分段PSN (C_V_C_T)，没有预期的促进作用GyD.F4y2BaK.GyD.F4y2Ba．有趣的是，C_V_C_T与Wiener和Turnbull研究中用于定义语音相似性的分割模式相同[GyD.F4y2Ba70GyD.F4y2Ba］．同时，C_V_C_T模型内的主预测器，具有半偏性GyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba0.060，属于GyD.F4y2BaCCGyD.F4y2Ba并且在其对心理搜索的影响下抑制。GyD.F4y2Ba

相关文献GyD.F4y2BaCCGyD.F4y2Ba在英国精神上的词典中需要抑制检索和较低的准确性GyD.F4y2BaCCGyD.F4y2Ba字。高的GyD.F4y2BaCCGyD.F4y2Ba与更大的语音错误(Chan & Vitevitch 2010)、更低的知觉识别任务的准确性(Chan & Vitevitch 2009)和新学习的非词的保留(Goldstein & Vitevitch, 2014)有关。与目前的证据直接相关的是如此之高GyD.F4y2BaCCGyD.F4y2Ba也被证明会减缓图片名称的检索(Chan & Vitevitch 2010)，听觉词的词汇状态判断(Chan & Vitevitch, 2009;Goldstein & Vitevitch 2017)和视觉呈现的正字法单词(Siew, 2018)。前面的抑制GyD.F4y2BaCCGyD.F4y2Ba调查结果表明我们的反应时间在生产之前代表目标词汇项目的选择。GyD.F4y2Ba

为什么我们的结果指向C_V_C_T PSN有几个迹象。第一个指示是在任务期间使用元音信息。例如，在该模式中塌陷的滑动是两种实验中最少的操纵单元（实验1：2％;实验2：1％）。第二个迹象是我们刺激的长度。在实验2中的198个刺激中，近一半由三个区段组成（Seglen 3 = 98）。通过无视在四段项目中义务的内侧滑翔，45个四个分部物品可能以与其三段对应相同的方式处理。鉴于66％的所有操纵是替代编辑类型，三段刺激主要被操纵成三段响应。最终迹象可以在我们的参与者偏见中产生的语气邻居（实验1：34％;实验2：46％）。词汇基调的影响尤其在所有色调PSNS上的大量频率效应中注意到。GyD.F4y2Ba

最终问题是编辑的重大影响。与刺激（即，下编辑）共同分享更大语音相似性的参与者制作的语音邻居比低相似性响应更快地产生。这些调查结果解决了Vitevitch和同事提出的问题[GyD.F4y2Ba73GyD.F4y2Ba刺激物和参与者产生的语音邻居之间的编辑距离是否会影响产生语音邻居所需的时间。在他们的研究中，他们使用邻居生成作为一种手段，来调查如果一个目标被错误地感知到，会出现什么样的邻居。根据他们的假设，我们目前的结果提示，当被误解的词语与其预期目标具有更大的音韵相似性时，从口语词语的误解中恢复所需的时间就更少。GyD.F4y2Ba

7.结论GyD.F4y2Ba

在本研究中，我们构建、测量并识别了声调语言普通话中语音加工的可能图式表征。我们首先通过两个语音联想任务来确定一个最佳的音节清单。实验1利用被试对每个音节量表的反应与刺激点注释之间的编辑距离，构建了一个新的音节量表，该量表优于之前的两种量表。在非唯一性理论的前提下[GyD.F4y2Ba84GyD.F4y2Ba]， N&H量表，建立在音位相似性的基础上，是在音位网络中模拟汉语词汇的最佳选择，在音位网络中词汇项之间的关系依赖于音位相似性。GyD.F4y2Ba

语音关联任务通过语音邻居的语音产生帮助识别分割偏差。这两个任务都显示出使用替换作为操作单位的方法的强烈倾向。最常被操纵的单位是项目的词汇语气。相反，最常被忽略的节段是内侧滑动。GyD.F4y2Ba

利用新音节量表构建语音切分邻域(PSNs)网络，其中切分邻域的示意图表示决定了语音相似度。每个PSN都是由16个语音分割模式中的一个来定义的。在使用相同的词汇和每个PSN节点数(30000)的情况下，我们能够分析分割和词汇语气对网络统计的影响，无论是在拓扑水平上，还是在单音节和双音节之间。分段psn根据音节内的单位数或是否以音调为单位表现出梯度差异。例如，分割越少的psn越大GyD.F4y2Ba对单音节和双音节都适用。GyD.F4y2Ba对于单音节(除了非音调的未分段PSN (CGVX_T)外)没有显示出这种模式，但对于双音节有这种模式，这与之前的网络发现相反[GyD.F4y2Ba3.GyD.F4y2Ba那GyD.F4y2Ba5.GyD.F4y2Ba］．对于非调性分段psn来说，调性的缺乏也会导致更大的GyD.F4y2Ba由于音节长度的混合。GyD.F4y2Ba

在各种各样的程度和小世界特征的情况下发现了十六个PSNS和先前语音网络之间的相似性。十六件PSN大小不同，GyD.F4y2Ba 那GyD.F4y2Ba 那GyD.F4y2Ba 那GyD.F4y2Ba以及它们是否具有幂律度分布。折扣大小，C_GVX、C_V_C和CG_V_X这三个非音调分段psn，符合前面分析的语音网络的所有特征。与我们最初的预测和网络分析的结果相反，我们的反应时分析显示了有音调的复合元音分段PSN (C_V_C_T)，具有显著的抑制作用GyD.F4y2BaCCGyD.F4y2Ba低编辑距离和高词频的促进效应。GyD.F4y2Ba

目前的研究开始于一定规模适合对语音网络所采取的所有方法可能都不充分。然而，鉴于实验2的结果，我们是否有证据支持这种争论？C_V_C_T PSN的识别可能是我们向参与者提供的刺激的结果（长度为3个段），以及我们的参与者通过任务要求导航，在此（1）这个PSN中的元音信息折叠镜像L.一种CK.O.FmE.D.一世al glide manipulations found in our participants’ responses, (2) the primary method of substitution in order to produce a phonological neighbor meant that most productions were 3-segment neighbors of 3-segment stimuli, and (3) the presence of lexical tone in the featured PSN is likely the result of our participants’ bias to use lexical tone as a guide through the mental lexicon.

结果表明复杂的适配，其中通过操纵在给定任务期间的内容和需求我们确定了那些心理转换的对象。到目前为止，尽管拓扑特征的影响尚不清楚，网络科学方法辅助两者都在形成问题以及如何解释结果。未来的工作需要探索刺激和任务要求的变化是否导致识别不同的PSN，以及这些变更是否是词汇处理的有意义的陈述。GyD.F4y2Ba

数据可用性GyD.F4y2Ba

用于支持这项研究结果的实验数据已保存在github.com (GyD.F4y2Bahttps://github.com/karlneergaard/Constructing_the_Mandarin_phonological_networkGyD.F4y2Ba）。计算网络统计数据的词汇数据库已存入Github.com（GyD.F4y2Bahttps://github.com/karlneergaard/Database_of_word-level_statisticsGyD.F4y2Ba）。GyD.F4y2Ba

利益冲突GyD.F4y2Ba

提交人声明有关本文的出版物没有利益冲突。GyD.F4y2Ba

致谢GyD.F4y2Ba

作者要感谢提供了本研究所用语料库的微妙ch数据库的创建者。我们要感谢徐洪志在创建词汇数据库中的贡献，以及Stephen Politzer-Ahles和Michael Tyler对手稿的建议。这项研究的第一作者通过香港理工大学国际研究生奖学金和理大人文学院国际合作项目:1-ZVKX Conversational Brains: a interdisciplinary Approach获得资助。GyD.F4y2Ba

参考GyD.F4y2Ba

1. K. Y. Chan和M. S. Vitevitch，“语音邻域聚类系数对词语识别的影响”，“GyD.F4y2Ba实验心理学杂志：人类感知与表现GyD.F4y2Ba第35期第6页，1934-1949,2009。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
2. M. S.Vitevitch，K. Y. Chan和R. Goldstein，“从网络科学的词汇检索失败”，“GyD.F4y2Ba认知心理学GyD.F4y2Ba第68卷第2期1, pp. 1 - 32, 2014。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
3. K. Y. Chan和M. S. Vitevitch，“网络结构影响语音生产”GyD.F4y2Ba认知科学GyD.F4y2Ba，卷。34，没有。4，pp。685-697，2010。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
4. R. Goldstein和M. S. Vitevitch，“聚类系数对词汇学习的影响:发音相似的词汇组如何促进习得”，GyD.F4y2Ba心理学领域GyD.F4y2Ba， 2014年第5期。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
5. M. S.Vitevitch，K. Y. Chan和S. ROODENRYS，“复杂的网络结构影响了长期和短期记忆的处理”GyD.F4y2Ba记忆和语言杂志GyD.F4y2Ba，卷。67，没有。1，pp。30-44,2012。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
6. M. S. Vitevitch和N. Castro，“在语言科学和临床中使用网络科学”，GyD.F4y2Ba国际语言病理学杂志GyD.F4y2Ba，第十七卷，第二期1, pp. 13-25, 2015。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
7. N.卡斯特罗，K. M. Pelczarski和M. S. Vitevitch，“使用网络科学方法来预测口吃成年人的词汇决策表现”，GyD.F4y2Ba演讲，语言和听力研究杂志GyD.F4y2Ba，卷。60，否。7，pp。1-8,2017。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
8. C. S. Q. Siew，K.M.Pelczarski，J.S. Yaruss和M. S.Vitevitch，“使用OASE-A来说明如何应用网络分析来了解口吃的经验，”GyD.F4y2Ba中国通信障碍杂志GyD.F4y2Ba，卷。65，pp。1-9,2017。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
9. M. Stella和M. Brede，《英语的模式:语音网络、渗透和组合模式》，GyD.F4y2Ba统计力学杂志：理论与实验GyD.F4y2Ba， 不。5,2015。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba|GyD.F4y2BaMathSciNetGyD.F4y2Ba
10. M. Stella, N. M. Beckage, M. Brede，和M. De Domenico，《心理词汇的多重模型揭示了人类的爆炸性学习》，GyD.F4y2Ba科学报告GyD.F4y2Ba，第8卷，第2期2018年1日。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
11. T. M. Gruenenfelder和D.B.Pishi，“基于随机词典的网络词汇重组假设和图形理论分析”GyD.F4y2Ba演讲，语言和听力研究杂志GyD.F4y2Ba号，第52卷。3，pp。596-609，2009。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
12. 特恩布尔和佩珀坎普，“是什么支配着语言的词汇?”确定音系邻里网络的组织原则GyD.F4y2Ba第五届复杂网络及其应用国际研讨会论文集(复杂网络2016)GyD.F4y2Ba，pp。83-94,2016。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
13. M. S. Vitevitch，“图表理论可以告诉我们关于文字学习和词汇检索的内容？”GyD.F4y2Ba演讲，语言和听力研究杂志GyD.F4y2Ba第51卷第1期2, pp. 408-422, 2008。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
14. S. Arbesman，S. H. Strogatz和M. S.Vitevitch，“英语和西班牙语的语音相似词网络的比较分析”GyD.F4y2Ba熵GyD.F4y2Ba，第12卷，第2期3, pp. 327-337, 2010。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
15. S. Arbesman，S. H. Strogatz和M. S.Vitevitch，“跨多种语言的语音网络结构”，GyD.F4y2Ba国际分岔与混沌学报GyD.F4y2Ba，卷。20，没有。3，pp。679-685，2010。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
16. W.-S。北京普通话“二话”的语音研究GyD.F4y2Ba第9届欧洲言语通信和技术会议的诉讼程序GyD.F4y2Ba，第1093-1096页，葡萄牙，2005年9月。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
17. M.-f.李，w.-c。林，T.-L.chou，f.-l.杨和J.-t.吴，“在汉字识别中的正交邻域大小效应的作用”GyD.F4y2Ba心理学研究杂志GyD.F4y2Ba，第44卷，第5期。3,货号。2, pp. 219-236, 2015。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
18. J.-T。吴,F.-L。杨和观测。Jin，“除了语音，汉字识别也很重要，”GyD.F4y2Ba中国心理学杂志GyD.F4y2Ba，卷。55，不。3，pp。289-318,2013。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
19. W. Wang，X. Li，N.Nning，J. X.张，同音琴语密度效果的性质：用中文口交的同声官员进行ERP研究，“GyD.F4y2Ba神经学字母GyD.F4y2Ba，第516卷，第5期。1, pp. 67-71, 2012。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
20. W. Wen，“来自英语思想的看法，”中国同音宫“，”GyD.F4y2Ba现代化我们的语言GyD.F4y2Ba，第2卷，120-124页，1980。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
21. W.-f.陈，P.-C.Chao，Y.-n.chang，c。 -湖湖和C.-Y.李，“正交一致性和同音静音对中国口语识别的影响”，GyD.F4y2Ba大脑和语言GyD.F4y2Ba，卷。157-158，pp。51-62,2016。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
22. 徐，GyD.F4y2Ba普通话音系学GyD.F4y2Ba，北京北京，1980年。GyD.F4y2Ba
23. R. L. Cheng，“普通话语音结构”GyD.F4y2Ba语言学杂志GyD.F4y2Ba，第2卷，第2期2，页135-158,1966。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
24. R. You，N.Qian和Z.Gao，“标准中文音素系统”，“GyD.F4y2Ba中国宇文GyD.F4y2Ba，第5卷，第5期。158，pp。328-334,980。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
25. Z. M. Bao，“Fan-Qi语言和重新删除”GyD.F4y2Ba语言探究GyD.F4y2Ba，卷。1990年2月21日。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
26. “汉语音节的非唯一性条件与分割”，GyD.F4y2Ba语言学工作论文GyD.F4y2Ba，卷。42，pp。1-25,1992。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
27. s . DuanmuGyD.F4y2Ba普通话的音韵学GyD.F4y2Ba，牛津大学出版社，英国牛津，第二版，2007。GyD.F4y2Ba
28. W. Lee和E. Zee，“北京”标准汉语（北京），“GyD.F4y2Ba国际语音协会杂志GyD.F4y2Ba，卷。33，不。1，pp。109-112，2003。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
29. 史家祥、欧博，“贝尔实验室普通话语音测试系统之持续时间研究”，载于GyD.F4y2Ba语音合成进展GyD.F4y2Ba， J. van Santen, R. Sproat, J. Olive和J. Hirschberg, Eds。，第383-399页，Springer-Verlag, New York, NY, USA, 1997。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
30. D. Wu，GyD.F4y2Ba普通话中的跨区域词持续时间模式GyD.F4y2Ba伊利诺伊大学香槟分校，2017。GyD.F4y2Ba
31. F. Wu和M. Kenstowicz，《汉语音节结构的持续反射》，GyD.F4y2Ba介绍GyD.F4y2Ba，卷。164，pp。87-99,2015。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
32. y. ch ch，GyD.F4y2Ba基于范切原理的八种秘语GyD.F4y2Ba, 1931年。GyD.F4y2Ba
33. M. yip，“重新删除和中国秘密语言的c-v skeleta”GyD.F4y2Ba语言探究GyD.F4y2Ba，卷。13，不。4，pp。637-660,1982。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
34. P. G.O'Séaghdha和J.-Y。陈，“朝着语言制作的语言陈述：靠近单位原则，”GyD.F4y2BaCOGSCI的诉讼程序......认知科学学会年会GyD.F4y2Ba，第68-73页，2009年7月- 8月。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
35. P. G. O'Seaghdha，J.-Y.陈和t.-m.陈，“Word生产中的近端单位：语音编码以普通话中文的音节开始，但用英语分组，”GyD.F4y2Ba认知GyD.F4y2Ba，卷。115，没有。2，pp。282-302，2010。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
36. V. A. Fromkin， "反常话语的非反常性质"GyD.F4y2Ba语言GyD.F4y2Ba，卷。47，没有。1，p。1971年。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
37. S. Shattuck-Hufnagel，“在句子产生中，言语错误作为连续顺序机制的证据”，在GyD.F4y2Ba句子加工:提交给Merrill Garrett的心理语言学研究GyD.F4y2Ba库珀(W. E. Cooper)和沃克(E. C. T. Walker)。那P.P.。29.5.-3.4.2那E.R.L.B.aum, Hillsdale, NJ, USA, 1979.视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
38. J.-Y。陈，“普通话中的讲话错误的小语料库及其分类”GyD.F4y2Ba字中文GyD.F4y2Ba，卷。69，pp。26-41,1993。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
39. J.-Y。“普通话声调的表征与加工:从口误中获得的证据”GyD.F4y2Ba应用精神语言学GyD.F4y2Ba，卷。20，没有。2，pp。289-301，1999。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
40. J.-Y。“普通话中自然的口误造成的音节错误”，陈，GyD.F4y2Ba《心理学:东方的国际心理学杂志》GyD.F4y2Ba, 2000年。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
41. A. S. Meyer，“语言生产中的语音编码时间过程：音节内的语音编码，”GyD.F4y2Ba记忆和语言杂志GyD.F4y2Ba，第30卷，第2期1，第69-89页，1991。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
42. n·o·席勒，《视觉上屏蔽音节启动对单词和图片命名潜伏期的影响》，GyD.F4y2Ba记忆和语言杂志GyD.F4y2Ba第39卷第3期3, 1998。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
43. N. O.席勒，《英语名词的掩音节启动法》GyD.F4y2Ba大脑和语言GyD.F4y2Ba第68卷第2期1-2页，300 - 305,1999。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
44. N. O. Schiller，“英语单词制作：子宫琴电脑在语音编码期间的作用，”GyD.F4y2Ba实验心理学杂志：学习，记忆和认知GyD.F4y2Ba第26卷第2期2, 2000。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
45. J. D. jescheniak和H. Schreifers，“初步效应来自语音相关的分散剂在图片中的干扰中，”GyD.F4y2Ba《实验心理学季刊GyD.F4y2Ba第54卷第5期2，页371-382,2001。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
46. A. S. Meyer和H. Schreiefers，“在图像词干干扰实验中的语音促进：刺激发病的影响和干扰刺激的类型，”GyD.F4y2Ba实验心理学杂志：学习，记忆和认知GyD.F4y2Ba，第十七卷，第二期6，第1146-1160页，1991。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
47. J.-Y。陈,T.-M。Chen，和G. S. Dell，“内隐启动任务对汉语文字形式编码的评估”，GyD.F4y2Ba记忆和语言杂志GyD.F4y2Ba第46卷，第46期4，页751-781,2002。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
48. 《汉英双语者的近似音系单位:熟练程度的影响》，《外语教学与研究》，《外语教学与研究》，《外语教学与研究》，GyD.F4y2Ba《公共科学图书馆•综合》GyD.F4y2Ba，第8卷，第2期4、2013。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
49. W. You，Q. Zhang和R. G.Verdonschot，“蒙版的音节启动效果在中文翻译GyD.F4y2Ba《公共科学图书馆•综合》GyD.F4y2Ba，第7卷，第5期10日,2012年。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
50. J.-Y。陈，w.-c。林和L. Ferrand，“普通话中蒙太菊在中国语音生产中蒙上兴奋”GyD.F4y2Ba中国心理学杂志GyD.F4y2Ba，卷。45，不。1，pp。107-120，2003。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
51. TM值。陈和J.-Y.陈，“普通话中普通话制作的音节：生产系统的内在或偶然的财产？”GyD.F4y2Ba心理环境通报与评论GyD.F4y2Ba，卷。20，没有。1，pp。154-162,2013。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
52. 答:W.-K。黄和H.-C。陈，“粤语词产生中的节段和韵律信息处理”，GyD.F4y2Ba实验心理学杂志：学习，记忆和认知GyD.F4y2Ba，卷。34，没有。5，pp。1172-1190，2008。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
53. 答:W.-K。黄和H.-C。陈，“什么是粤语口语规划中有效的语音单位？”GyD.F4y2Ba心理环境通报与评论GyD.F4y2Ba，第16卷，第5期。5，第88 - 892页，2009。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
54. 黄俊华，“语音单位在口语中的应用:来自广东话的见解”，《中国文化》，GyD.F4y2Ba《公共科学图书馆•综合》GyD.F4y2Ba，第7卷，第5期11，物品ID E48776,2012。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
55. Y. Kureta, T. Fushimi，和I. F. Tatsumi，《语音编码的功能单位:以日语为母语的人的道德表达的证据》，GyD.F4y2Ba实验心理学杂志：学习，记忆和认知GyD.F4y2Ba，第32卷，第2期5，页1102-1119,2006。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
56. Y. Kureta，T.Fushimi，N. Sakuma和I. F. Tatsumi，对日本母语扬声器中的爆发音音音制作效果的正交影响：来自单词形式的编写范式的证据，“GyD.F4y2Ba日本心理研究GyD.F4y2Ba(第57卷)1, pp. 50-60, 2015。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
57. 田冈和真冈，“日语心理音节和音、音节、双音和词频对日语语音产生的影响”，GyD.F4y2Ba语言和言语GyD.F4y2Ba号，第52卷。1，第79-112页，2009。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
58. R. G. Verdonschot, S. Kiyama, K. Tamaoka, S. Kinoshita, W. La Heij, N. O. Schiller，《日语单词命名的功能单位:来自蒙面启动的证据》，GyD.F4y2Ba实验心理学杂志：学习，记忆和认知GyD.F4y2Ba，第37卷，第2期6, pp. 1458-1473, 2011。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
59. J. G. Malins和M. F. Joanisse，“声调的设定:语音相似性对汉语口语词识别影响的ERP研究”，GyD.F4y2Ba神经心理学GyD.F4y2Ba，第50卷，第5期。8，第2032-2043页，2012。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
60. J. G. Malins，D. Gao，R.Tai等，“普通话中语音处理语音相似性影响的发育差异”GyD.F4y2Ba大脑和语言GyD.F4y2Ba， 2014年，第138卷，第38-50页。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
61. 赵军，郭军，周飞，“汉语单音节口语词识别的时间过程:来自ERP的证据”，《中国外语教学研究》GyD.F4y2Ba神经心理学GyD.F4y2Ba，卷。49，没有。7，pp。1761-1770,2011。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
62. J. G. Malins和M. F. Joanisse，“审汤和节段信息在普通话中的语言识别：眼镜研究，”GyD.F4y2Ba记忆和语言杂志GyD.F4y2Ba，卷。62，没有。4，pp。407-420，2010。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
63. A. S. Desroches, R. L. Newman, M. F. Joanisse，“研究口语单词识别的时间进程:语音相似性影响的电生理学证据”，GyD.F4y2Ba认知神经科学GyD.F4y2Ba第21卷第2期第10页，1893-1906,2009。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
64. 端木，《汉语音节结构》中GyD.F4y2Ba《布莱克威尔音韵学指南》GyD.F4y2Ba，页2151-2777,2010。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
65. Y. H. Lin，GyD.F4y2Ba音频CD的中文声音GyD.F4y2Ba，剑桥大学出版社，2007。GyD.F4y2Ba
66. X. Zhao和P. Li，“普通话的语音表征在线数据库”GyD.F4y2Ba行为研究方法GyD.F4y2Ba号，第41卷。2，第575-583页，2009。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
67. A. Cutler，N. Sebastian-Galles，O. Soler-Vilageliu和B.Van Ooijen，“词汇选择的元音和辅音的约束：跨语言比较”GyD.F4y2Ba记忆与认知GyD.F4y2Ba第28卷第2期5，页746-755,2000。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
68. A. E. Marks, D. R. Moates, Z. S. Bond, V. Stockmal，《英语和西班牙语中的单词重建和辅音特征》GyD.F4y2Ba语言学GyD.F4y2Ba，卷。40，不。2，pp。421-438,2002。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
69. B.范oijen，“英语元音变形和词汇选择：来自单词重建任务的证据”GyD.F4y2Ba记忆与认知GyD.F4y2Ba，第24卷，第2期5，第573-583页，1996。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
70. S. Wiener和R. Transbull，“普通话中的词汇选择的音调，元音和辅音，”GyD.F4y2Ba语言和言语GyD.F4y2Ba，卷。59，没有。1，pp。1-24,2015。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
71. P. A. Luce和N. R. Large，“语音战术、密度和熵在口语识别中的作用”，GyD.F4y2Ba语言与认知过程GyD.F4y2Ba，第16卷，第5期。5-6，pp。565-581,2001。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
72. M. Muneaux和J. C. Ziegler，“口语词语识别中的正交效果的基因座：来自邻居一代任务的新见解，”GyD.F4y2Ba语言与认知过程GyD.F4y2Ba第19卷第2期5，页641-660,2004。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
73. M. S. Vitevitch, R. Goldstein，和E. Johnson，“路径长度和言语的误解:来自网络科学和心理语言学的见解”，刊于GyD.F4y2Ba朝着分析复杂语言网络的理论框架GyD.F4y2Ba，A. Mehler，A.Lücking，S. Banisch等，EDS。，PP。29-45，Springer，Berlin Heidelberg，德国，2016年。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
74. M. Swadesh， "音位原理"GyD.F4y2Ba语言(Baltim)GyD.F4y2Ba，卷。10，不。2，pp。117-129,1934。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
75. K. L. Pike，“语法分析的语法先决条件”GyD.F4y2Ba词GyD.F4y2Ba，卷。3，PP。155-172,1947。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
76. W. J. M. Levelt，A. Roelofs和A. S. Meyer，“演讲生产中的词汇接入理论”，GyD.F4y2Ba行为与脑科学GyD.F4y2Ba，卷。22，没有。1，pp。1-38,1999。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
77. G. S.戴尔，“句子产生中检索的扩散激活理论”，GyD.F4y2Ba心理评估GyD.F4y2Ba第93卷第5期3，第283-321页，1986。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
78. I.心理软件工具，“E-Prime 2.0”。GyD.F4y2Ba，心理软件工具公司，匹兹堡，宾夕法尼亚州，美国，2012。GyD.F4y2Ba
79. “GyD.F4y2Ba汉GyD.F4y2Ba典GyD.F4y2BaZDIC.NET，“GyD.F4y2Bahttp://www.zdic.net/GyD.F4y2Ba．GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
80. b李GyD.F4y2Ba中文分词研究及改进建议GyD.F4y2Ba，Roskilde大学，2011年。GyD.F4y2Ba
81. X. Li，C. Zong和K. Su，“解决中文词组oov问题的统一模型”GyD.F4y2Ba亚洲和低资源语言信息处理汇刊GyD.F4y2Ba第14卷第2期3, pp. 12-29, 2015。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
82. Y. Zhang, J. Niehues，和A. Waibel，“将百科知识整合到神经语言模型中”GyD.F4y2Ba第十三届国际口语翻译研讨会论文集GyD.F4y2Ba，2016年。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
83. J.Ma，C. Kit和D. Gerdemann，“半自动注释中文字结构和语言学”GyD.F4y2Ba第2 CIPS-Sighan JT的继续进行。中国郎会议。过程。（CIPS-Sighan 2012）GyD.F4y2Ba，卷。0，pp。9-17,2012。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
84. Y.-R。Chao，“语音系统的音位解的非唯一性”，GyD.F4y2Ba中央研究院历史文字学研究所简报GyD.F4y2Ba，卷。4，不。4，pp。363-398,1934。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
85. Q. Cai和M. Brysbaert，《微妙ch:基于电影字幕的中文单词和字符频率》，GyD.F4y2Ba《公共科学图书馆•综合》GyD.F4y2Ba，第5卷，第5期。6、文章ID e10729, 2010。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
86. M. Brysbaert和B. New，“超越kučera和francis:对当前词频规范的批判性评估，并为美国英语引入一个新的和改进的词频测量，”GyD.F4y2Ba行为研究方法GyD.F4y2Ba号，第41卷。4，pp。977-990，2009。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
87. K. Neergaard，H. Xu，C.-r.黄，“普通话数据库邻里统计数据库”GyD.F4y2Ba2016年第10届国际语言资源和评估会议的会议记录，LRECGyD.F4y2Ba，第2270-2277页，2016年5月。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
88. G. Csardi和T. Nepusz，“复杂网络研究的图形软件包”，GyD.F4y2Ba国际复杂系统杂志GyD.F4y2Ba，卷。1695年，没有。5，pp。1-9,2006。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
89. M. E. J. Newman，“网络中的各种混合”，GyD.F4y2Ba物理评论信GyD.F4y2Ba，第89卷，第89期。20、Article ID 208701, pp. 1-5, 2002。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
90. M. E. J. Newman和J. Park，“为什么社交网络与其他类型的网络不同，”GyD.F4y2Ba物理评论E.GyD.F4y2Ba，卷。69，没有。3，pp。1-9,2003。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
91. J. M. Kleinberg，“在一个小世界导航”，GyD.F4y2Ba自然GyD.F4y2Ba号，第406卷。2000年。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
92. P. Bak, C. Tang, K. Wiesenfeld，《自我组织的批判性》，GyD.F4y2Ba物理评论A.GyD.F4y2Ba，卷。38，不。1，pp。364-374,1988。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba|GyD.F4y2BaMathSciNetGyD.F4y2Ba
93. A. Barabasi和R. Albert，《随机网络中缩放的出现》，GyD.F4y2Ba科学GyD.F4y2Ba第286卷第2期第5卷第4期，第5 - 9页，1999年。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba|GyD.F4y2BaMathSciNetGyD.F4y2Ba
94. A. L. Barabási, R. Albert和H. Jeong，“无标度随机网络的平均场理论”，GyD.F4y2Ba物理A:统计力学及其应用GyD.F4y2Ba，卷。272，没有。1，pp。173-187,1999。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
95. M. E. J. Newman，GyD.F4y2Ba网络:介绍GyD.F4y2Ba，牛津大学出版社，英国牛津，2010。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2BaMathSciNetGyD.F4y2Ba
96. A. Clauset, C. R. Shalizi, M. E. Newman，“经验数据中的幂律分布”，GyD.F4y2Ba工业和应用数学协会GyD.F4y2Ba第51卷第1期4，pp。661-703，2009。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba|GyD.F4y2BaMathSciNetGyD.F4y2Ba
97. C. S. Gillespie，“拟合大尾分布：Powerlaw包，”GyD.F4y2Ba统计软件杂志GyD.F4y2Ba，卷。64，不。2，pp。1-16,2015。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
98. P. Shoemark, S. Goldwater, J. Kirby，和R. Sarkar，“语音网络的稳健跨语言比较”，在GyD.F4y2Ba第14届SIGMORPHON语音学、音系学和形态学计算研究研讨会论文集GyD.F4y2Ba，第110-120页，德国柏林，2016年8月。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
99. Y. H. Lin，GyD.F4y2Ba汉语音韵学分段过程的循序处理GyD.F4y2Ba德克萨斯大学奥斯汀分校，1989年。GyD.F4y2Ba
100. I.-P.湾，“普通话中的后核滑动和Coda毒蛇的心理语言学研究”GyD.F4y2Ba语言文学与语言学杂志GyD.F4y2Ba，第5卷，第5期。2，pp。158-176,2006。GyD.F4y2Ba视图:GyD.F4y2Ba谷歌学者GyD.F4y2Ba
101. M. E. Newman，“科学协作网络的结构”，GyD.F4y2Ba美利坚合众国国家科学院学会GyD.F4y2Ba，卷。98，没有。2，pp。404-409，2001。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba|GyD.F4y2BaMathSciNetGyD.F4y2Ba
102. D. J.Bar，R. Levy，C. Schepers和H. J.Tily，“核实假设检测的随机效应结构：保持最大化，”GyD.F4y2Ba记忆和语言杂志GyD.F4y2Ba第68卷第2期3, pp. 255-278, 2013。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
103. B. C. Jaeger, L. J. Edwards, K. Das, P. K. Sen， " AnGyD.F4y2BaR.GyD.F4y2Ba^2GyD.F4y2Ba普遍性线性混合模型中的固定效果的统计数据，“GyD.F4y2Ba应用统计学报GyD.F4y2Ba，第44卷，第5期。6，PP。1086-1105,2017。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba|GyD.F4y2BaMathSciNetGyD.F4y2Ba
104. B. Jaeger，GyD.F4y2BaR2GLMM：计算R平方为混合（多级）型号GyD.F4y2Ba，2017年。GyD.F4y2Ba
105. P. A. Jansen和S. Waiter，“说什么时候:一种高精度语音开始检测的自动化方法，”GyD.F4y2Ba行为研究方法GyD.F4y2Ba，卷。40，不。3，pp。744-751,2008。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba
106. S. N. Wood, F. Scheipl, and J. J. Faraway，“混合模型中的直接中间秩张量积平滑”，GyD.F4y2Ba统计和计算GyD.F4y2Ba，卷。23，不。3，pp。341-360,2013。GyD.F4y2Ba视图:GyD.F4y2Ba出版商的网站GyD.F4y2Ba|GyD.F4y2Ba谷歌学者GyD.F4y2Ba|GyD.F4y2BaMathSciNetGyD.F4y2Ba

版权GyD.F4y2Ba

版权所有©2019 Karl D. Neergaard and Chu-Ren Huang。这是一篇发布在GyD.F4y2Ba知识共享署名许可协议GyD.F4y2Ba，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。GyD.F4y2Ba