Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Konuşulan dil çevrimiçi işlenmesi keşfetmek için görsel dünya paradigmada kaydedilen göz hareketleri kullanarak

Published: October 13, 2018 doi: 10.3791/58086
Automatic Translation
1
1Institute for Speech Pathology and the Brain Science, School of Communication Science, Beijing Language and Culture University

Summary

Dinlerken veya konuşulan bir dil konuşan görsel dünya paradigma katılımcıların göz hareketleri görsel çalışma alanında izler. Bu paradigma psycholinguistic sorular, ayırt edici deyimi gibi anlam olarak karmaşık ifadeler de dahil olmak üzere çok çeşitli çevrimiçi işlenmesi araştırmak için kullanılabilir.

Abstract

Görsel Dünya paradigması kullanarak çalışma izleme tipik bir göz hareketleri nesnelere katılımcıların göz veya katılımcı üretir veya eş zamanlı görsel açıklayan bir konuşulan dil kavrar gibi resimler görsel çalışma alanındaki bir göz izci ile kaydedilir Dünya. Bu paradigma yüksek çok yönlülük, nüfus, okuyamıyorum ve/veya kim açıktan açığa preliterate çocuk, yaşlı yetişkinler ve hastalar gibi davranışsal yanıt veremem de dahil olmak üzere geniş bir alanda kullanılabilir vardır. Daha da önemlisi, konuşma sinyali ince taneli manipülasyonlar için son derece hassas bir örnektir ve en ince taneli akustik fonetik gibi birden çok düzeyde dil anlama konularında çevrimiçi işlenmesi eğitim için kullanılabilir Özellikleri, kelime özelliklerini ve dilsel yapıları. Bu makalede açıklanan protokol nasıl çalışma izleme tipik görsel dünya göz, nasıl bazı anlam olarak karmaşık ifadeleri çevrimiçi işlenmesi görsel dünya paradigma ile keşfedilmeyi olabilir gösteren bir örnek ile yürütülen göstermektedir.

Introduction

Hemen kaybolur bir hızlı, sürekli bilgi akışı konuşulan dildir. Deneysel olarak bu geçici çalışma, konuşma sinyali hızla değiştirmek için bir mücadeledir. Göz hareketleri görsel dünya paradigmada kaydedilen bu zorluğu aşmak için kullanılabilir. Onlar dinlemek, ya da üretmek, konuşulan dil görsel dünya1 içeriğini gösteren görsel dünya paradigması kullanarak çalışma izleme tipik bir gözüne katılımcıların göz hareketleri resimleri bir görüntüleme veya görsel çalışma alanındaki gerçek nesneler için izlenir ,2,3,4. Temel mantığı veya Bu paradigma arkasında bağlama hipotez kavrama veya bir söyleyiş planlama (açıktan veya gizlice) katılımcıların görsel dikkat görsel dünyanın belirli bir nesneye kayacak var. Bu dikkat değişim katılımlı alanı foveal vizyon getirmek için sakkadik göz hareketleri başlatmak için yüksek bir olasılık var. Bu paradigma ile araştırmacılar konuşma sinyalinde akustik bazı simgesel yapı ile ilgili olarak zamansal hangi noktada katılımcının görsel dikkat bir kayma oluşur, bir nesneye veya bir resimde görsel sakkadik göz hareketleri tarafından ölçülen belirlemek niyetinde Dünya. Ne zaman ve nerede sakkadik göz hareketleri ile ilgili olarak konuşma sinyal piyasaya sürüldü sonra online dil işleme anlamak için kullanılır. Görsel Dünya paradigma konuşulan dil anlama1,2 ve üretim5,6çalışma için kullanılabilir. Metodolojik Bu makalede anlama çalışmaları üzerinde durulacak. Bir anlama çalışmada katılımcıların göz görsel görüntü hakkında konuşuyor söylenen sözler için dinlerken görsel ekran hareketleri izlenir görsel dünya paradigması kullanarak.

Farklı göz izleme sistemleri tarihinin tasarladık. Basit, sadece normal video katılımcının gözleri bir görüntü kayıtları kamera, en ucuz ve en taşınabilir sistemidir. Göz hareketleri video kaydı kare kare incelenmesi el ile kodlanmıştır. Ancak, böyle bir göz-izci örnekleme oranı nispeten düşüktür ve kodlama zaman alıcı bir işlemdir. Böylece, çağdaş bir ticari göz izleme sistemi normalde optik sensörler gözlerinin içine onun yörünge7,8,9yönünü ölçme kullanır. Çağdaş ticari göz izleme sisteminin nasıl işlediğini anlamak için aşağıdaki hususlar dikkate alınmalıdır. İlk doğru foveal vizyon, bir kızılötesi ışığı yönünü ölçmek için (normal dalga boyu ile 780-880 nm) normalde boyunca veya distinguishably daha parlak veya daha koyu hale getirir öğrencinin kameranın optik eksen kapalı yatırılır çevreleyen Iris. Öğrencinin ve/veya öğrenci kornea yansıma (normalde ilk Purkinje görüntü) görüntü daha sonra gözlerinin içine onun yörüngesinde yönünü hesaplamak için kullanılır. İkinci olarak, görsel dünyanın bakışları yeri sadece göz yönelimi ile ilgili baş aynı zamanda baş yönelimi ile ilgili görsel dünya aslında şartlı olduğunu. Doğru bir şekilde konuda göz yönlendirme üzerinden bakışları anlaması için ışık kaynağı ve kameranın göz-izci ve katılımcıların kafa (başa takılan göz-izci) ile ilgili olarak sabit veya görsel dünya ile ilgili olarak sabit (tablo monte edilmiş veya Uzaktan göz-izci). Üçüncü olarak, katılımcıların baş yönlendirme ile ilgili görsel dünya da düzeltilmesi gereken veya katılımcıların kafasını serbest ise hesaplama açısından telafi edilebilir. Uzaktan göz İzleyicisi'ni bir baş-ücretsiz-için-taşı modunda kullanıldığında, katılımcıların pozisyonu genellikle katılımcıların alnında küçük bir etiket koyarak kaydedilir. Baş yönlendirme hesaplama açısından görsel dünyanın bakışları yeri almak için göz yönünü dan çıkarılır. Dördüncü olarak, bir kalibrasyon ve doğrulama işlemi sonra göz yönünü görsel dünya bağlamda bakışları eşleştirmek için gereklidir. Kalibrasyon sürecinde katılımcıların fiksasyon örnekleri bilinen hedef noktalarından harita konum görsel dünyanın gözünü dikmek için ham göz veri kaydedilir. Doğrulama işleminde katılımcılar aynı hedef noktaları kalibrasyon işlemi olarak sunulur. Kalibre edilmiş sonuçları hesaplanan fiksasyon konumdan ve görsel dünyanın saplantısı hedefinin konumu gerçek arasında var olan fark sonra kalibrasyon doğruluğunu yargılamak için kullanılır. Daha fazla eşleme işlemi doğruluğunu onaylamak için bir drift onay normalde nerede bir tek fiksasyon hedef sunulan hesaplanan fiksasyon konumu ve gerçek konumunu arasındaki fark ölçmek katılımcılara her denemedeki uygulanır geçerli hedef.

Bir görsel dünya çalışmanın birincil veri göz izci tamamını veya kısmını deneme süresi içinde değişen, örnekleme hızında kaydedilen görsel dünya yerlerde bakışları akışıdır. Bağımlı değişken bir görsel dünya çalışmada kullanılan genellikle katılımcıların tespitlerin görsel dünya kayma belirli bölgede, belirli bir zaman penceresi arasında bulunmaktadır örnekleri oranıdır. Verileri çözümlemek için bir zaman penceresi ilk olarak seçilecek, genellikle faiz dönemi adlandırılan vardır. Zaman penceresi işitsel girişi dile ait bazı olayları tanıtımı için genellikle zaman-kilitli. Ayrıca, görsel dünya da ilgi (ROIs), her biri bir veya daha fazla nesne ile ilişkili çeşitli bölgelere bölmek için gereklidir. Böyle bir bölge için konuşulan dil, anlama doğru karşılık gelen nesne içerir ve böylece sık sık hedef alan denir. Verileri görselleştirmek için tipik bir şekilde nerede bir zaman penceresi her bin, örnekleri ilgi her bölgesine bir bakışla oranı ortalama katılımcılar ve öğeleri arasında bir fiksasyon oran komplodur.

Bir görsel dünya çalışma alınan verileri kullanarak, farklı araştırma sorularını yanıtladı: bir) katılımcıların göz hareketleri görsel dünyanın farklı işitsel dil girişi tarafından etkilenen kaba Gren .bilgili misin? b) bir etkisi ise, duruşma boyunca etkisi yörünge nedir? Bir doğrusal veya yüksek sıralı efektini mi? ve c) bir etkisi ince gren seviyesi, daha sonra ise ne zaman erken zamansal noktası nerede böyle bir etkisi ortaya çıkar ve bu etkisi ne kadar sürer son?

İstatistiksel sonuçları analiz etmek için aşağıdaki noktaları dikkate alınmalıdır. İlk olarak, yanıt değişken, yani, oranlarını tespitlerin, altında ve üstünde (0 ile 1 arasında), hangi bir normal dağılım yerine Multinom dağılımı takip edecek sınırlıdır. Oranlar gibi sınırsız değişkenlerle dönüşmüşlerdir kadar Şu andan itibaren normal dağılım doğrusal (karışık-etkisi) modelleri10, t-testi ve ANOVA gibi temel geleneksel istatistiksel yöntemler doğrudan kullanılmak olamaz ampirik logit formül11 veya Öklid uzaklığı12gibi sınırsız bağımlı değişkenler ile yerini almış. Normal dağılım bu tür varsayımı Genelleştirilmiş Doğrusal (karışık-etkisi) modelleri13 gerektirmeyen istatistiksel teknikler de kullanılabilir. İkinci olarak, gözlenen etkisi değişen yörüngesini keşfetmek için modele eklenecek zaman serileri ifade eden bir değişken vardır. Bu zaman serileri aslında göz-izci değişkendir giriş dili başlangıcı için realigned puan örnekleme'nın. Değişen yörünge genellikle doğrusal olmadığına göre bir yüksek dereceden polinom işlev serisi zaman normalde (genel) doğrusal (karışık-etkisi) modeli, yani, büyüme eğrisi analizleri14eklenir. Ayrıca, katılımcıların göz pozisyonlar geçerli örnekleme noktasını önceki örnekleme noktalarının üzerinde son derece bağımlı özellikle zaman kayıt sıklığı yüksek, otokorelasyon sorun kaynaklanan. Otokorelasyon bitişik örnekleme noktaları arasında azaltmak için özgün verileri kez aşağı örnek veya dönüştüm. Son yıllarda, genelleştirilmiş katkı karma etkisi modelleri (GAMM) da autocorrelated hataları12,15,16mücadele için kullanılmıştır. Depo gözleri genişliğini birkaç milisaniye için birkaç yüz milisaniye arasında değişen farklı çalışmalar arasında değişir. Bir çalışma seçebilirsiniz en dar bin örnekleme oranı belirli çalışmada kullanılan göz izci tarafından kısıtlanır. Bir göz izci 500 Hz örnekleme hızı varsa, örneğin, o zaman zaman pencerenin genişliğini 2 ms = 1000/500 daha küçük olamaz. Üçüncü olarak, istatistiksel çözümleme art arda faiz geçen süreler her zaman depo gözü uygulandığında, familywise hata birden fazla karşılaştırmalar ele alınması bunlardan indüklenen. Daha önce açıkladığımız gibi yörünge Analizi araştırmacı kaba Gren düzeyde gözlenen etkisi zaman, değiştirme ile ilgili doğrusal olup gözlenen etkisi ortaya çıkmaya başladığı göstermiyor ama nasıl bilgilendirir ve uzun gözlenen etkisi sürer. Gözlenen fark sapmak ve gözlenen etkisi sürer geçici süre süre anlamaya başlatıldığında geçici konumu belirlemek için art arda her zaman depo gözü için uygulanacak bir istatistik analiz vardır. Bu birden fazla karşılaştırmalar sözde familywise hata olursa olsun ne istatistik yöntemi kullanılır, tanıtacak. Familywise hata geleneksel Bonferroni düzeltmesi17ile giderilmiştir. Son zamanlarda, başlangıçta kullanılan18 under nörogörüntüleme parametrik olmayan permütasyon testi adı verilen bir yöntem familywise hata için denetime görsel kelime paradigma19 uygulandı.

Araştırmacılar görsel dünya paradigması kullanarak katılımcıların göz hareketleri görsel dünyanın bazı konuşulan dil anlayışı çıkarmak niyetinde. Bu indirimi geçerliliğini sağlamak için muhtemelen göz hareketleri etkileyen diğer faktörler ekarte veya kontrollü. Aşağıdaki iki dikkat edilmesi gereken ortak olanlar arasında etmenlerdir. İlk faktör katılımcıların açıklayıcı tespitlerin bağımsız üst içinde daha kolay olmak yatay yönde quadrat görsel dünya ve hareketli gözleri soldaki bağlayacaktın eğilimi gibi giriş dilinin sistematik bazı desenler içerir dikey yön, vb12,20 gözlenen fiksasyon desen nesneleri ile ilgili, değil nerede nesneleri bulunmaktadır uzamsal konumları için bir nesne mekansal konumlarını karşı dengeli emin olmak için farklı denemeler veya farklı katılımcılar. Katılımcıların göz hareketleri etkileyen ikinci faktör parlaklık kontrast, renk ve kenar yönlendirme, diğerleri arasında gibi görsel dünyanın içindeki nesneler temel görüntü özelliklerinden olan21. Bu potansiyel karıştırıcı tanılamak için görsel ekran normalde konuşulan dil başlangıcı öncesinde veya konuşulan dil, kritik akustik işaretin başlangıcından zamansal döneminde yaklaşık 1000 Bayan için başlangıcı öncesinde sunulur Sınama görüntüsü test ses, giriş dil ve anlam ayrımı noktası giriş dilinin başlangıcı için henüz duymamıştır. Farklı koşullar arasında gözlenen herhangi bir fark karıştırıcı diğer faktörler gibi görsel ekran başına, giriş dili yerine çıkarılabilir. Şu andan itibaren bu önizleme dönemde gözlenen göz hareketleri dilsel giriş etkisini belirlemek için bir temel sağlar. Bu önizleme dönemi aynı zamanda katılımcılar görsel göstermek ile tanımaya ve konuşulan dil sunulduğunda açıklayıcı tespitlerin sistematik önyargı azaltmak için sağlar.

Tipik bir göz görsel dünya paradigması kullanarak çalışma izleme nasıl yapılır göstermek için aşağıdaki protokolünü açıklar anlam olarak karmaşık ifadeler, Yani, çevrimiçi işlenmesi keşfetmek için L. Zhan17 uyarlanmış bir deney ayırt edici ifadeler (S1 veya S2), Birleşik bildirimleri (S1 ve S2) ve ama-ifadeleri (S1 ama değil-S2). Sıradan koruma bazı sözler tarafından ifade edilen bilgi aslında onun gerçek anlamı daha güçlüdür. Bir inek veya bir horoz Xiaoming'ın kutusu içerir gibi ayırt edici ifadeler böyle sözler vardır. İki disjuncts bir inek Xiaoming'ın kutusu içerir ve bir horoz Xiaoming'ın kutusu içerir her ikisi are değil sürece mantıksal olarak, ayırt edici ifade doğrudur yanlış. Bu nedenle, iki disjuncts ilgili Birleşik deyiminde bir inek ve bir horoz Xiaoming'ın kutusu içerir da gerçek olduğu her ikisi de true olduğunda ayırt edici ifade doğrudur. Genellikle ayırt edici deyim karşılık gelen Birleşik deyimi yanlış olduğunu göstermektedir işitme normal konuşma, ancak, (skaler implicature); ve iki disjuncts gerçek değerini hoparlör (cehalet çıkarımı) tarafından bilinmeyen olduğunu göstermektedir. Literatürde hesapları iki çıkarımlar gramer veya pragmatik işlemleri22,23,24,25,26olup içinde farklı. Deneme görsel dünya paradigma çevrimiçi işleme karmaşık deyimleri keşfetmek tarafından bu hesaplar arasında hakemlik için nasıl kullanılabileceğini gösterir.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Tüm konular deneysel protokoller yönetim önce bilinçli yazılı izni vermeniz gerekir. Tüm yordamlar, rıza formları ve Deneysel protokol Pekin dil ve Kültür Üniversitesi Araştırma Etik Komitesi tarafından kabul edildi.

Not: normalde görsel dünya paradigması kullanarak bir anlama çalışma aşağıdaki adımlardan oluşur: keşfedilmeyi; teorik sorunlar tanıtmak Bir deneysel tasarım form; Görsel ve işitsel uyaranlara hazırlamak; Deneysel tasarım ile ilgili teorik sorun çerçeve; Katılımcıların göz hareketleri izlemek için bir göz izci seçin; Bir yazılım seçin ve uyaranlara sunmak için yazılım ile bir komut dosyası oluşturmak; Kod ve kaydedilen göz hareketleri veri analiz. Belirli bir deney birbirinden açıklanan adımları içinde farklı olabilir. Örnek olarak, deneme yapmak ve araştırmacılar derleyip görsel dünya paradigması kullanarak kendi deney yapmak zaman akılda tutulması gereken bazı noktalar tartışmak için bir protokol tanıttı.

1. Test uyaranlara hazırlayın

  1. Görsel uyaranlara
    1. 60 klip sanat telif hakkı internetten ücretsizdir hayvan indirin. Açık bir resim editörü (örneğin, Pixelmator) ile her resme tek tek tıklayın araçları | Hızlı Seçim aracı seçin ve arka planı silmek için. Resmi tıklayın | Görüntü boyutu onları 120 x 120 piksel olarak yeniden boyutlandırmak için.
    2. Şekil 1' de gösterildiği gibi dört ışık yeşil kutu çizmek için resim bölümünden bir öğrenci davet ediyoruz. 320 x 240 piksel, 160 x 160 piksel boyutu küçük kapalı kutu ve 160 x 240 piksel, iki küçük açık kutular büyük Aç kutusuna sırasıyla yeniden Ölçeklendir için görüntü düzenleyicisi kullanın.
    3. Pixelmator tıklatın | Dosya | Yeni şablonuyla boyutu 1024 768 sınama yansıması oluşturmak için piksel. Hayvanlar ve kutuları Şekil 1' de gösterildiği düzeltme konumlara sürükleyin.
      Not: Test görüntü yerleşimini çalışmalar arasında değişir, ama dört nesneyi kullanmak için ve onları sınama yansıması dört çeyrek dairelerin koymak için en iyi yoldur. Bu şekilde, bu nesneleri kayma konumunu dengelemek daha kolaydır.
    4. 60 test görüntüleri gibi Şekil 1, iki kez kullanılan her hayvan resimle oluşturun. Görüntüleri arasında dört kutu mekansal konumlarını dengelemek.
      Not: onların etkisi deneysel manipülasyonlar dissociable olduğu sürece görüntü sayısını tam 60 olmak yok.
  2. Konuşulan dil uyaranlara
    1. Her sınama yansıması ve 240 test cümleler kaydedilmek üzere toplam karşılık gelen dört test cümleler tasarlayın. Üç dört cümle Şekil 2şeklinde olduğundan emin olun; ve dolgu cümle şeklinde bir horoz ama bir inek Xiaoming'ın kutusu içermiyor.
      Not: Test cümleler katılımcıların konuşma dillerinde sunulmalıdır. Test dil Mandarin Çince katılımcılar bu deneyde Pekin, Çin, Çin için.
    2. Şekil 2, hem de ses deneyde kullanılan tüm hayvanların gibi dört örnek beyannamelerini kadın anadili (anadili Mandarin Çince bu deneyde) işe. İzole hayvan isimleri kayıt yaparken, hayvanların isimlerini ___, a/an Xiaoming'ın kutusu içerir gibi bir basit cümle sağlam bileşenleri düşünün için hoparlör sormak ama sadece hayvan adını açıkça telaffuz gerek.
    3. Örnek deyimlerinde iki hayvan ses parçalarını her deneme testi müzikler tam listesini oluşturmak için kullanılan iki hayvan ses ile değiştirin. İlk olarak, Praat (başka bir ses düzenleme yazılımı olan uygun bir alternatif) açın ve Aç'ı tıklatın | Dosyadan okunan | Dosyaya gidin | Açma ve düzenleme, değiştirmek amacıyla bir öðeye gidin ve 'ı tıklatın görüntüleme ve düzenleme | Düzenle | Seçim ses panoya kopyala. İkinci olarak, aynı adımları kullanarak bir örnek deyim açmak için seçimden sonra Yapıştır' ı tıklatın. Üçüncü olarak,'ı tıklatın kaydetmek | wav dosyası olarak kaydedin düzenlenen deyim. kaydetmek için İşleminin değiştirilmesi tüm öğeler için ve tüm test cümleler yineleyin.
    4. Yaklaşık 10 ana dili (Mandarin Çincesi burada) test dilinin inşa test ses anlaşılır ve doğal olup olmadığını belirlemek için recruit.
      Not: Test ses geleneksel olarak ayrı sözcükler olarak değil, bir bütün olarak kaydedilir. Bu geleneksel kayıt yöntemi test ses ise kendilerini sözcükleri ayırmak uygun olur. Konuşulan dil uyaranlara ayrı kelime yerine cümleler, ancak, bu geleneksel yöntem birçok eksiklikleri vardır: Birincisi, iki her yerde özelliğidir sürekli bir konuşma ya da daha fazla konuşma sesleri geçici ve dağınık şekilde üst üste eğilimindedir, Hangi kritik kelime başlangıcı belirlemek zorlaştırıyor. İkincisi, farklı denemeler uzunluğu arasındaki fark da istatistiksel analizler için birlikte tüm denemeler birleştirmek zorlaştırır. Üçüncü olarak, özellikle zaman test ses numaralarını nispeten büyük, biz iletişim kuralında rapor deneyler gibi geleneksel kayıt yöntemi kez zaman alıcı olmasıdır. Geleneksel kayıt yöntemi eksikliklerin üstesinden gelmek için farklı bir yöntem konuşulan test ses oluşturmak için teklif edilir. İlk, a liste-in tüm test ses arasında ortak olan kelime içeren örnek cümleler kaydedildi. İkincisi, tüm kelimeler denemeler arasında değişiklik de kaydedildi olduğunu yalıtım modunda. Son olarak, örnek cümleler test müzikler tam listesini oluşturmak için kaydedilen kelimeleri ile değiştirildi. Geleneksel yönteme göre yeni yöntemi birçok avantajı vardır. İlk olarak, tüm test ses için kritik kelime dışında aynıdır ve tüm potansiyel karıştırıcı etkilerini test ses bundan böyle kontrol edilir. İkinci olarak, aynı uzunlukta olmak da test müzikler ayrılmasını daha kolay ne zaman test müzikler bir bütün olarak kaydedilir yapar. Bu yöntem bir potansiyel dezavantajı inşa ses doğal olmayabilir olmasıdır. Şu andan itibaren test ses doğallığı gerçek test etmek için uygun oldukları önce değerlendirilecek vardır...
  3. 240 test cümleler 15 Birleşik deyimleri, 15 ayırt edici ifadeler, 15 ama ifadeleri ve 15 dolgu cümleler içeren her grup ile dört gruba bölün. Her katılımcı 240 denemeler tek bir grup karşılaştığında emin olmak: o tüm test görüntüleri ama tek bir grup test ses duyar görür.
    Not: Bu aynı uyarıcı tekrarlanır, katılımcılar olabilir endişe adrese olduğunu olmak bu uyaranlara ve muhtemelen bile alışık haline nasıl onlar uyaranlara yanıt verdiklerini stratejik.
  4. Her 240 denemeler için karşılık gelen her satır ile bir sekmeyle ayrılmış txt dosyasına test uyaranlara ilgili tüm önemli bilgileri kaydetmek. Dosya en az aşağıdaki sütunlar içerdiğinden emin olun: experiment_group, sentential_connective, trial_number, test_image, test_audio, test_audio_length, ia_top_left, ia_top_right, ia_bottom_left, ia_bottom_right, animal_1_ görüntü, animal_1_audio, animal_1_audio_length, animal_2_image, animal_2_audio, animal_2_audio_length.
    Not: experiment_group 240 denemeler 4 gruplara bölmek için kullanılır. sentential_connective için farklı deneysel koşullar karşılık gelir. animal_1_image öncelikle test resimde kullanılan hayvanlar ile katılımcılar daha yakından tanımak için sunulacak hayvan görüntüsünü karşılık gelir. test_image, test_audiove test_audio_length uzunluğu geçerli deney sırasında kullanılan sınama yansıması ve test ses de bakın. ia_top_left, ia_top_right, ia_bottom_left, ia_bottom_right bakın Şu anki deneme, yanidört ilgi alanlarında adına., olsun bir "Büyük aç" kutusu, "küçük kapalı" kutu, küçük açık "ilk bahsedilen" hayvan test ses içeren kutusu veya küçük açık kutu test ses "bahsedilen ikinci" hayvan içeren. animal_1_audio ve animal_1_audio_length ses ve animal_1_imageiçin karşılık gelen ses uzunluğu denir. animal_2_image, animal_2_audiove animal_2_audio_length sunulacak ikinci hayvan karşılık gelir. İki hayvan sunmak için işlem sırasını hayvan ilk veya test müzikler ikinci yarısında açıklanan ilgili olarak karşı dengeli vurgulamak için bir şey var.

2. deneysel tasarım ile ilgili teorik tahmin çerçeve.

  1. Katılımcıların davranışsal tepkiler ve göz-deneysel tasarım hareketlerinde anlayışımızın test cümle ayırt etmek için kullanılan ve test edilmesi için farklı hesaplar arasında hakemlik için kullanılan olun.
    Not: deneysel tasarım göz önüne alındığında, Birleşik bir deyim için doğru yanıt kutusu A Şekil 1' deki gibi büyük açık kutu var. Bir amadoğru yanıt-küçük açık kutu kutu D Şekil 1' deki gibi test müzikler ilk yarısında belirtilen varlık hayvan içeren ifadedir. Katılımcıların yanıtlarını ayırt edici deyim, ancak, olup olmadığını ve/veya nasıl iki tartışılan çıkarımlar işlenen bağlıdır. Katılımcılar ne skaler implicature ne de cehalet kesmesi hesaplarsanız, dört kutu uygun seçenekler var. Skaler implicature ama değil cehalet kesmesi, büyük, kutusu, Şekil 1' gibi açık sonra katılımcılar hesaplamaya ekarte ve kalan üç kutusu B, C ve D tüm uygun seçenekleri vardır. Katılımcılar hesaplamak cehalet çıkarım ama değil skaler implicature, o zaman küçük açık kutular i.edışarı, hüküm., kutuları C ve D hükmetti. Özet olarak, Şekil 1, B kutusunda gibi küçük kapalı kutu olarak ayırt edici bir deyim son seçenek skaler implicature ve cehalet çıkarımlar kadar her ikisi de hesaplanır seçilecek değil.

3. deneysel komut dosyası oluşturmak

  1. Aç Deney Oluşturucusu, 'ı dosya | Yeni bir deneme projesi oluşturmak için. Proje adı vwp_disjunctiongibi girdi. Proje konumuseçin. EyeLink deneme kontrol edin ve Eyelink 1000plus açılan listesinden seçin. Bu işlemler klasöründe "graph.ebd" adlı bir dosya ile vwp_disjunction adlı bir alt dizin oluşturur deneme için ilgili tüm dosyaları içeren bir alt dizin oluşturur.
    Not: Deney Oluşturucu test uyaranlara sunmak ve onların davranış yanıtlarının yanı sıra katılımcıların göz hareketleri kaydetmek için deneysel komut dosyası oluşturmak için kullanılır. Deneysel komut dosyası oluşturmak için bir What araç deneme kurucusudur. Kullanımı kolay, ama başka bir çekim gücü sunum yazılımı uygun bir alternatiftir.
  2. Şekil 3' te görüldüğü gibi görsel dünya paradigması kullanarak tipik bir göz izleme deney hiyerarşik yapısını görselleştirin. Her pembe dikdörtgen şekilde bir sıra nesnesi olarak Deney Oluşturucusutarafından uygulanır; ve her nesnenin gri arka planı olan bir düğüm nesnesi olarak uygulanır.
    Not: Bir dizi deney Oluşturucusu'nda farklı nesneleri karmaşık bir düğümü olarak zincir için kullanılan bir deneysel döngü denetleyicisidir. Bir sıra her zaman Başlat düğümü ile başlar. Ve bir veri kaynağı her deneme için farklı parametreler sağlamak için bir sıra düğüm eklenebilir.
  3. Deneme sırası oluşturmak
    1. Dosyasını tıklatın | Açık, deney dizinine göz atın ve kaydedilmiş deney projeyi açmak için proje dizinindeki graph.ebd dosyasını çift tıklayın.
    2. Düzenle'yi tıklatın | Kitaplık Yöneticisi | Görüntü | Eklemek deney proje ilgili resimleri yüklemek için. Benzer şekilde, Düzenle'yi tıklatın | Kitaplık Yöneticisi | Ses | Eklemek deney projeye ses yüklemek için.
    3. Bir DISPLAY_SCREEN nesnesi çalışma alanı sürükleyin ve talimat olarak yeniden adlandırmak için Özellikler panelindeki etiket değerini değiştirin. Yönergesi düğüm açmak için çift tıklatın ve deneysel öğretim giriş için Çok satırlı metin kaynak Ekle düğmesini tıklatın. Sağlamak belgili tanımlık öğretim aşağıdaki bilgileri içerir:
      Her deneme olarak, ilk iki hayvan resimlerini bir hayvan sırayla ekrana yazdırılacak ekranın her iki tarafında yer alan iki adet hoparlör üzerinde oynanan hayvanların ses ile birlikte görüşürüz. Siyah bir nokta sonra ekranın ortasına de sunulacak. Belgili tanımlık yer anahtar nokta üzerinde düşünüp tuşuna basarak kapatmalısınız. Sonra dört kutu ekrana yazdırılacak oluşan bir sınama yansıması görmek ve belgili tanımlık iki sözcü ile oynanan bir test cümle duymak. Senin görevin Xiaoming'ın kutusunu duydum ve en kısa zamanda ilgili düğmeye basın test cümle göre bulmaktır:
      Sol üst kutusunu---sol ok
      Doğru kutu---top yukarı ok
      Sol alt kutusunu---sol ok
      Alt sağdaki kutu---sağ ok
      Her sınama yansıması dört çeyrek daire ve iki hayvan içinde belgili tanımlık boksör içeren yer alan dört kutu göreceksiniz. Dört kutu iki boyutlu olarak değişebilir: yakınlığı ve onun büyüklüğü. Bir kutu ya da değil olup olmadığı kapalı epistemik bilgimizi o kutu, ama değil içerdiği animal(s) etkiler. Bir kutusu açık değilse, o kutunun içinde bulunan animal(s) bilinir. Bir kutusu kapalıysa, bu kutu içinde kontrol animal(s) bilinmiyor. Kutusunun boyutu kutusunu ama epistemik bilgimizi kutunun üzerinde bulunan hayvan sayısını etkiler. Ne olursa olsun kutusunu ya da kapalı, küçük bir kutu sadece ve her zaman bir hayvan, ve büyük bir kutu her zaman iki farklı hayvan içerir.
      Deneysel amaç ve yordamı ile rahat iseniz, lütfen biliyorum deneyci izin ve kalibrasyon ve doğrulama yordamlarını izleme standart göz gerçekleştirmek için yardımcı olacağız. Herhangi bir sorunuz varsa, lütfen istemekten çekinme.
      Not: Bu üstünde belgili tanımlık perde (yönergeleri katılımcılar konuş, Mandarin Çince gibi burada ana dilinde yazılması gerekir) deney öncesinde yazdırılacak bir yönergedir.
    4. Bir klavye nesneyi çalışma alanı sürükleyin.
      Not: Bu adım öğretim ekran sona erdirmek için kullanılır
    5. Bir dizi nesnesi çalışma alanı sürükleyin ve blokolarak yeniden adlandırın.
    6. Blok serisi seçin, Veri kaynağı Düzenleyicisigetirmek için Veri kaynağı özelliğine değer alanını tıklatın. Veri kaynak Düzenleyicisi ekranında, kaş veri kaynağını almak için 1.4. adımda oluşturduğunuz .txt dosyası için Veri al düğmesini tıklatın.
    7. Veri kaynak Düzenleyicisi'nde Randomizasyon ayarı düğmesini tıklatın, Deneme randomizasyon etkinleştirmekkontrol, trial_number sütun alanı ve seçme experimental_group gelen değeri alanından seçin Bölme sütun alanı bırakma-listesi.
    8. İkinci DISPLAY_SCREEN sürükleyin nesne için çalışma alanı ve olarak yeniden adlandırmak güle güle. Güle güle düğümünü çift tıklatın ve aşağıdaki bilgileri ekleyin: katılımcıların ana dilinde (Mandarin Çince bu protokolü):deney bitti ve çok katılımınız için teşekkür ederiz.
    9. Başlat düğümü üzerinde sol tıklatın, oku yönergesi düğüm sürükleyin ve Başlat düğümü yönergesi düğüm bağlamak için fare düğmesini bırakın. Yönergesi düğüm klavye düğümü, klavye düğümü için blok düğümü, o zaman blok düğümü elveda düğüme bağlanmak aynı fare hareket yineleyin. Görünümü'nü tıklatın | Düzenini ayarlamak çalışma alanı düğümleri düzenlemek için.
  4. Blok sırası oluşturmak
    1. Blok sıra açmak için çift tıklatın. Bir El_CAMERA_SETUP düğümü EyeLink ana bilgisayar PC kamera Kur, kalibrasyon ve doğrulama gerçekleştirmek deneyci için kamera kurulumu ekranında getirmek için blok sırası içine sürükleyin. Kalibrasyon türü alan Özellikleri panelinde tıklatın ve açılır menüden HV5 seçin.
      Not: Farklı Deneysel tasarımlar arasında eşleme işlemi yerlerde sayısı değişir. Örneklenmiş daha fazla yerde ve daha fazla yer kaplı, doğruluğu daha beklenebilir. Ama daha fazla örnek süreçleri bitirmek için daha fazla zaman demek. Böylece pratik, özellikle katılımcılar preliterate çocuk veya klinik hasta olduğunda belirli bir çalışma sayısı çok büyük olamaz. Görsel Dünya paradigma, ilgi alanları sayısı görece küçük olduğu ve ilgi alanları normalde nispeten büyüktür. Eşleme işlemi mekanlar nispeten az sayıda ile tatmin edici bir seviyeye ulaşabilirsiniz. Ben tarif iletişim kuralında, ben beş puan kalibrasyon ve doğrulama kullanılır.
    2. Sıra düğümü blok sıra sürükleyin ve denemeyeniden adlandırın. Başlat düğümü sonra SEQUENCE düğüme CAMERA_SETUP düğüme bağlanın.
  5. Deneme sırası oluşturmak
    1. Deneme sırası açın, DISPLAY_SCREEN düğümü deneme sırası sürükleyin ve animal_1_imageyeniden adlandırmak için çift tıklatın. Ekran Builder düğümünü açın ve yüklenen görüntü kaynaklardan gelen hayvan resim eklemek için ekran Oluşturucu araç çubuğundaki Resim kaynak Ekle düğmesini tıklatın için çift tıklatın. Kaynak dosya adı özellik değer tıklatın, blok dizisine bağlı veri kaynağı gidin; ve DISPLAY_SCREEN veri kaynağı doğru sütun ile bağlanmak için Animal_1_Image sütununu çift tıklatın.
    2. PLAY_SOUND düğüm deneme sırası sürükleyin ve animal_1_audioyeniden adlandırın. Animal_1_audio düğüm Ses dosya özelliğini tıklatın ve veri kaynağı doğru sütun ile (3.5.1 adımda anlatıldığı gibi) bağlayın.
    3. Bir Zamanlayıcı düğüm deneme sırası sürükleyin ve rename o olarak animal_1_audio_length. Süresi özelliğini tıklatın çekim düğümü ve 3.4.1 içinde oluşturduğunuz veri kaynağı doğru sütun gidin.
    4. Başka bir DISPLAY_SCREEN düğüm, başka bir PLAY_SOUND düğüm ve başka bir Zamanlayıcı düğüm deneme sırası sürükleyin, animal_2_image, animal_2_audio, ve hayvan yeniden adlandırın _2_audio_duration, adımları 3.5.1 - 3.5.3 açıklanan adımları yineleyin.
      Not: Aşağıdaki adımları aynı görüntüyü farklı farklı katılımcılar tarafından adlandırılmış potansiyel semptomlarıdır için denetlemek için dahil edilir. Sıra ile ilgili olup olmadığı test müzikler birinci veya ikinci yarısında açıklanan iki hayvan sunma dengelemek.
    5. Hazırlamak sırası nesnesi deneme sırası sürükleyin ve Çizmek için Eyelink ana bilgisayara görüntüözelliğini değiştirin.
      Not: Bu düğümü için bellek görüntü ve ses dosyaları gerçek zamanlı görüntü çizim ve ses çalma için önceden yüklemek için kullanılır. Ve bu da katılımcıların bakışları doğruluk izlenebilir üstünde belgili tanımlık ev sahibi PC geribildirim grafik çizmek için kullanılır.
    6. DRIFT_CORRECT düğüm drift düzeltme tanıtmak için deneme sırası sürükleyin.
    7. Yeni bir sıra düğüm sürükleyin ve kayıtyeniden adlandırın. Başlamak bu düğümler bir bir sonra bağlayın.
  6. Kayıt sırası oluşturmak
    1. Kayıt sırası Özellik bölmesini kayıt alanı denetleyin ve kayıt sırası açmak için çift tıklatın.
      Not: Bu dönemde katılımcıların göz hareketleri kaydedilecek kontrol kayıt özelliği ile bir dizi anlamına gelir.
    2. Yeni DISPLAY_SCREEN kayıt sırasını sürükleyin, test_imageyeniden adlandırın. Mesaj test_image_onset test_image düğüm ileti özelliği ekleyin.
      Not: veri analizleri aşamasında test_image düğüm iletisinde ve test_audio düğümü (Bölüm 3.6.6) iletisini test görüntüleri başlangıcı ve test müzikler başlangıcı her davada bulmak önemlidir.
    3. Çift Ekran Builder düğümünü açın ve karşıya yüklenen görüntü kaynaklarından herhangi bir hayvan resim eklemek için ekran Oluşturucu Araç çubuğu Resim kaynak Ekle düğmesini tıklatın. Kaynak dosya adı değer tıklatın özelliği, blok dizisine; bağlı veri kaynağı gidin ve DISPLAY_SCREEN veri kaynağı doğru sütun ile bağlanmak için test_image sütununu çift tıklatın.
    4. Çift Ekran Builder' ı açın, Dikdörtgen ilgi alanı bölgesi Ekledüğmesini tıklatın ve dört dikdörtgen mavi kutu Şekil 1' deki tarafından gösterildiği gibi ilgi alanları çizmek için DISPLAY_SCREEN düğümünü tıklatın. Top_Left, Top_Right, Bottom_Leftve Bottom_Rightilgi dört alanları etiketleri değiştirmek ve DataViewer adı veri kaynağı doğru sütunlar ile bağlayın.
      Not: Bu alanlarda katılımcılara görünmez olur. İlgi alanları daha anlamlı hale getirmek için "(büyük açık) bir kutu gibi" örnek alanında sol üst adını etiket, üst sağ alanı olarak "Box B (küçük kapalı)", alt sol alanı "Kutusunu C (ikinci sözü)" olarak ve alt sağ alanı olarak "kutusunu D (ilk sözü)" , iki küçük açık kutu test müzikler, birinci ve ikinci yarısında sırasıyla belirtilen varlık iki hayvan içerdiğinden.
    5. Bir Zamanlayıcı düğüm çalışma alanına sürükleyin, Duraklatyeniden adlandırın ve 500 ms süresi özelliğini değiştirin.
      Not: Bu Zamanlayıcı düğüm sınama yansıması başlangıcı ve test ses başlangıcı arasındaki gecikme süresi bazı ekler. Gecikme süresi katılımcılar test görüntüleri ile daha yakından tanımak için bir şans verir. Katılımcıların göz hareketleri bu önizleme dönemde de özellikle kritik kelime testi müzikler başında yer alır zaman konuşulan dil giriş etkilerini belirlemek için bir temel sağlar.
    6. Çalışma alanı için bir PLAY_SOUND düğüm sürükleyin ve test_audioyeniden adlandırın. Ses dosyasını tıklatın ve doğru sütun veri kaynak (3.5.1. adımda açıklanan) olarak bağlanmanız gerekir ve mesaj Ekle test_audio_onset ileti özelliği içine.
    7. Çalışma alanı bir Zamanlayıcı düğüm sürükleyin, olarak yeniden adlandırmak test_audio_length. Duration özelliği 10500 ms için değiştirin.
    8. Yeni bir Zamanlayıcı düğüm eklemek, record_extensionyeniden adlandırın ve 4000 ms süresi özelliğini değiştirin.
    9. Çalışma alanı yeni bir klavye düğüm eklemek, davranışsal yanıtyeniden adlandırın ve "[yukarı, aşağı, sol sağ,]için" kabul edilebilir tuşları özelliğini değiştirin.
      Not: Katılımcıların davranış seçimler sonuç geçerliliğini sonucuna ki katılımcıların göz hareketleri--dan kontrol için kullanılabilir.
    10. Başlat düğümü Duraklat, test_audio, test_audio_length, sonra Record_extension düğüme bağlanın. Başka bir bağlantı test_audio_length behavioral_responses düğümü ekleme.
      Not: Bu bağlantılar ekleyerek, geçerli deneme sona erecek ve katılımcılar Xiaoming' nın kutusu veya 4000 ms test ofset sonra seçmek için bir tuşa basın ses yaptıktan sonra yeni bir dava başlar.
    11. Bir değişken düğümü çalışma alanı sürükleyin, key_pressedyeniden adlandırın ve onun değer özelliği behavioral_Responses klavye bağlayın | Veri tetiklenen |  Anahtar.
    12. Çalışma alanı bir RESULT_FILE düğüm sürükleyin, bir ADD_TO_RESULT_FILE düğümü çalışma alanı sürükleyin ve record_extension ve behavioral_responses düğümlerini hem ADD_TO_RESULT_FILE bağlanmak düğümü.
  7. Deneyi tıklatın | İnşa deneme deneysel komut dosyası oluşturmak için tıklatın | Test test etmek için kaç kaç deneme. Her şey bittikten sonra deney tıklatın | Dağıtmak deneysel proje çalıştırılabilir bir sürümünü oluşturmak için.
    Not: deney Oluşturucusu'nu kullanma hakkında daha fazla bilgi için lütfen yazılım el ile27başvurun.

4. katılımcılar askere

  1. Normal veya düzeltilmiş normal görme için katılımcılar sağlamak. Lensler temiz olduğu sürece kontakt lens, ama gözlük takmak dar görüşlü katılımcılar de kabul edilir öneririz. Tüm katılımcılar burada Mandarin Çince gibi test dilin anadili olduğundan emin olun.
    Not: katılımcı 60 santimetre uzaklıkta test görüntüleri görebilirsiniz sürece genel bir kılavuz, katılımcı uygun kabul edilir. Başparmak bazı kurallar göre katılımcı sayısı açısından regresyon çözümlemesi için katılımcı sayısı en az 50 olması gerekir. Burada, önerilen tutardan küçük bir deney, otuz yedi Pekin dil ve Kültür Üniversitesi yüksek lisans öğrencisi katıldı.

5. kuralları deneme

Not: katılımcılar normal gelişmiş yetişkin olduğunuzda, bir deneyci kuralları deneme yapmak için yeterli olacaktır. Ancak katılımcıların özel nüfus, çocuk gibi iki veya daha fazla Denemecileri gereklidir.

  1. Katılımcıların göz hareketleri kaydetmek için bir göz İzleyicisi'ni seçin.
    Not: Bu deneyde kullanılan göz izci Eyelink 1000plus olduğunu hareket için baş modunda çalışan. Takip sistemi, gözün döndürme izlemek için kornea yansıması (CR) ile öğrenci ilkesini kullanarak bir video tabanlı, masaüstü bağlı göz bu. Hareket için baş modunda çalıştırırken, göz izci 500 Hz, Monoküler örnekleme oranı ile 0,01 ° uzamsal çözünürlük ve daha az 0.5 ° Ortalama bir hata vardır. Sistem daha ayrıntılı bilgi için lütfen onun teknik şartname28,29başvurun. Alternatif izci kullanılabilir ancak özellikle katılımcılar preliterate çocuk olduğunda uzaktan izleme modu daha iyi olanlar.
  2. Sistemi üstünde PC ana kameranın ana uygulamayı başlatmak için başlatın.
  3. Sistemi masaüstü uzaktan modu için yapılandırmak için Ayarla seçenek düğmesini tıklatın, yapılandırma seçeneğini ayarlamak okul sırası--hedef etiket--Monoküler--16/25 mm Uzunluk--RTARBLER.
  4. Deneysel proje ekran PC üzerinde çalıştırılabilir sürümünü tıklatın, giriş katılımcının adıve bir Grup istem penceresinden seçin için . çalıştırmak için koşul değer seçin
    Not: Her test oturumu deneme projesi alt sonuçlarını girilen adıyla bir klasör oluşturur. EDF dosya klasörü altındaki ilgili göz hareketleri veriler içeriyor.
  5. Katılımcılar nerede 27 piksel eşittir 1 dereceye kadar açı bir 21 inç, 4:3 renkli monitör ile 1024px x 769px kararlılık, yaklaşık 60 cm oturmak isteyin.
  6. Katılımcı oturduğundan ve düz ileriye baktığımızda, dikey olarak orta monitörün % 75 top için arıyoruz zaman emin olmak için ekran PC ekranın yüksekliğini ayarlayın.
    Not: Eğer onlar yüksekliği ayarlanabilir sandalye, resepsiyon ve/veya PC monitörü tercih edilir. Kasıtsız hareket ve rulo neden eğilimi olarak sandalye ve tekerlekler ile Resepsiyon, kaçınılmalıdır.
  7. Alnına öğrenci görüntü yanıp söner veya ani hareketler sırasında gibi kayıp olduğunda bile pozisyonu izlemek için katılımcıların, küçük hedef etiketini yerleştirin.
    Not: Farklı göz izci katılımcıların kafa izlemek için farklı yöntemler kullanabilirsiniz. Konu yanal hareket aralığını en üst düzeye çıkarmak için izlenen göz ışığı aynı tarafta olması gerekir.
  8. Göz görüntü odak haline getirmek için resepsiyon Dağı üzerinde odaklama kol döndürün.
  9. Katılımcıların göz hareketleri konuda bakışları için eşlemek için ev sahibi PC kalibrasyon işlemi rasgele art arda beş fiksasyon hedef hiçbir açık davranışsal yanıt ile oluşan bir kılavuz sabitleştirmek için soran katılımcılar tarafından yapmak için Ayarla düğmesini görsel dünyada.
  10. Ev sahibi PC fiksasyon hedefleri aynı kılavuz sabitleştirmek için soran katılımcılar tarafından kalibre edilmiş sonuçları doğrulamak için Doğrula düğmesini tıklatın. Hata 1 ° büyük olduğunda kalibrasyon ve doğrulama yordamları yineleyin.
  11. Deneme ve ölçüm hassasiyeti zayıf olduğunda başında iki rutinleri yapmak (Örn., güçlü baş hareketleri veya katılımcıların duruş bir değişiklik sonra).
  12. Ev sahibi PC deneme başlatmak için Kaydet düğmesini tıklatın.
  13. Bir drift denetimi her ekranın merkezinde sunulan siyah nokta sabitliyor klavyede boşluk tuşuna basın katılımcılara sorarak yapın.
    Not: Katılımcılar preliterate çocuk veya açıkça siyah nokta sabitliyor normalde pratik ise klavye tuşuna basın yakmalarını klinik hasta olduğunda. Ama onların dikkat ve göz tespitlerin otomatik olarak görüntülenen siyah nokta tarafından çekilebilir eğilimindedir. Bu durumda, deneyci katılımcı siyah nokta üzerinde düşünüp iken klavyenin tuşuna basın kişi olmalıdır.
  14. Görsel uyaranlara ekran PC ekran üzerinden sunmak ve işitsel uyaranlara bir çift harici hoparlörler solunda yer alan ve (kulaklık de kabul edilir) ekranın sağ ile oynamak.
    Not: Kayıtları sabit diskten 24 kHz mono ses klipleri olarak oynanır. Özel bir nedeni ise, mono ses klipleri stereo ses klipleri için tercih edilir. Bir stereo ses klibi, iki ses parçaları yanı sıra iki hoparlör arasındaki farkı arasındaki farkı katılımcıların göz hareketleri etkileyebilir. Göz İzleyicisi'ni kullanma hakkında daha fazla bilgi için lütfen Kullanıcı el ile30başvurun.

6. veri kodlama ve analizleri

  1. Veri Görüntüleyicisi'ni açın, dosya | Alma dosyasını | Birden çok Eyelink veri almak (EDF uzantılı) tüm kaydedilmiş göz izci dosyalarını içe aktarın ve bunları tek bir kaydetmek için. EVS dosya.
  2. Kaydedilmiş EVS dosyası açıp analiz | Raporları | Örnek rapor hiçbir toplama ile ham örnek veri vermek için.
    Not: göz izci 500 Hz örnekleme hızı varsa, dışa aktarılan veri 500 veri noktaları, bundan böyle 500 satır başına ikinci deneme olacaktır. Katılımcıların sol gözünü izleniyorsa, yanı sıra veri kaynağında oluşturulan değişkenleri aşağıdaki sütunları dışa emin olun: RECORDING_SESSION_LABEL, LEFT_GAZE_X, LEFT_GAZE_Y, LEFT_INTEREST_AREA_LABEL, LEFT_IN_BLINK, LEFT_IN_SACCADE, LEFT_PUPIL_ BOYUT, SAMPLE_INDEX, SAMPLE_MESSAGE. Veri Görüntüleyicisi'ni kullanma hakkında daha fazla bilgi için lütfen yazılımı el ile31başvurun.
  3. Sınama görüntüsü test müzikler, i.euzaklığı başlangıcından zamansal penceresine istatistiksel analizler kısıtlamak., 11 süresiyle geçici pencere s.
  4. Katılımcılar kaydedilen verilerin % 10'u kabaca etkileyen gözlerini blink gibi nerede katılımcıların göz hareketleri kayıtlı olmayan, örneklerini silin.
    Not: sonuçları normal olup bu örnekler silinmiş olursa olsun aynı olduğu gibi bu isteğe bağlı bir adım olduğunu.
  5. Kodu verileri. Bir belirli örnekleme noktasını, kod veri aynı derecede 1 katılımcıların göz fiksasyon o örnekleme noktasını çözümlenmesi ilgi alanı yer alır Eğer ilgi belirli bir alan için verileri oluşturmak için. Veri 0 kodu göz fiksasyon, o örnekleme noktasında ilgi alanları yer değil.
  6. Oran-in-elde edilen verileri görselleştirmek için saplantı çizin. Faiz, ortalama belirli alan üzerinde tespitlerin oranı hesaplamak için her koşul altında tüm denemeler için ve her örnek tüm katılımcılar için kodlanmış veri noktası. Hesaplanan oran-in-aşırılıklara karşı örnekleme noktasını ekseninde, y ekseni üzerinde farklı paneller ilgi alanları ifade eden ve farklı deneysel koşullar ifade eden çizim renkleri ile çizmek.
    Not: denemede, katılımcıların fiksasyon desenler ilgi dört alanları üzerinde dört panelleri tasvir. Test deyimleri Bağlaç (S1 ve S2), ama-tablolar (S1 ama değil S2) ve disjunctions (S1 veya S2), anılan sıraya göre ne zaman kırmızı, yeşil ve mavi çizgiler katılımcıların fiksasyon modelleri resimli. Açıklayıcı Arsa çizmek için kullanılan yazılım R ortamından ggplot2 pakettir. Diğer yazılımlar da mevcuttur. Şekil 5 böyle Arsa örneğidir.
  7. Binom Genelleştirilmiş Doğrusal karma bir modeli (GLMM) her ilgi alanınıza yönelik her örnekleme noktası üzerinde uygun verileri 1 veya 0 katılımcının fiksasyon ya, o örnekleme noktasında ilgi alanı dışında yer alır bağlı olarak, olarak kodlanmış.
    Not: veri değil binned ve kodlanmış verileri yalnızca 1 veya 0 olabilir çok kodlanmış veri dağıtım ikili tercihan--dan normal olduğu. Şu andan itibaren binom dağılımı ailesi ile GLMM modeli kullanılır. GLMM model bir sabit terim, deneysel koşullar ve iki rasgele dönem, katılımcılar ve öğeleri içerir. Formülün iki rasgele dönem yakaladığını ve deneysel koşullar eğimi içerir. Modeli uygun yapmak için kullanılan R çevre lme4 paketinden yazılımdır. Diğer yazılımlar da mevcuttur. Bir şey açıklanan bu sabit bileşen temeli ne zaman farklılık analiz ilgi alanı, i.e., analiz kutuları farklıdır. Belirli olmak, birlikte (S1 ve S2) seçildi taban çizgisi olarak büyük açık kutusu (kutusu A), analiz ederken (A ve B) parçalanma küçük kapalı kutu (Box B) analiz ederken taban çizgisi olarak seçildi ve ama deyim olarak seçildi İlk bahsedilen kutusu (kutusunu D) analiz ederken temel.
  8. Bonferroni Wald z testi, birden fazla karşılaştırmalar tarafından indüklenen familywise hata azaltmak için ile elde edilen p değerleri ayarlayın.
    Not: Bonferroni düzeltmesi tarafından birden fazla karşılaştırmalar indüklenen familywise hata çözmek için geleneksel yoludur. Diğer yöntemleri de giriş bölümünde açıklandığı gibi kullanılabilir.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Katılımcıların davranışsal yanıt-e doğru Şekil 4' te özetlenmiştir. Daha önce açıkladığımız gibi doğru (S1 ve S2) Birleşik bir deyim kutusu A Şekil 1' deki gibi büyük Aç kutusuna yanıttır. Bir amadoğru yanıt-(S1 ama değil S2) ifadedir küçük açık kutu kutu D Şekil 1' deki gibi ilk bahsedilen hayvan içeren. Eleştirel, hangi kutuda ayırt edici deyimi (S1 veya S2) seçilir ayırt edici bir açıklama nasıl işleneceğini bağlıdır: resim 1, B kutusunda gibi küçük kapalı kutu yalnızca seçilen skaler implicature ve cehalet çıkarımlar ayırt edici açıklamaya ilişkin her ikisi de hesaplanır. Şekil 4 ne zaman kavrama ayırt edici bir deyimi (S1 veya S2), katılımcıların her iki iki çıkarımlar hesaplamak göstermektedir.

Ayrıca, özellikle bu tespitlerin tarafından davranışsal yanıt o kutusunda, izlendiğinde katılımcıların göz tespitlerin küçük kapalı kutu, tarih de hesaplanan skaler implicature ve cehalet çıkarımlar öneririz. Katılımcılar kendi görsel dikkat ve tespitlerin küçük kapalı kutu üzerinde geçiş ne zaman iki çıkarımlar en erken zamansal noktası daha sonra işlenen. Katılımcıların göz hareketleri Şekil 5' te özetlenmiştir. B panelinde gördüğünüz gibi ayırt edici bağ, veyasentential bağ olmadığı sürece katılımcıların göz-tespitlerin küçük kapalı kutu (B) üzerinde artırmak değil. Ayrıca, bu artış Hayır ayırt edici bağ'ofset ' dan sonra başlar. Bu skaler implicature ve cehalet çıkarımlar sentential bağ ofset önce Yani, hemen ayırt edici bağ gelince hesaplanır olduğunu göstermektedir.

Figure 1
Resim 1 . Denemede kullanılan test görüntüleri örneği. Aslında katılımcılara sunulan varlık sınama yansıması gri alandır. Blues kutuları, noktalı çizgiler ve öğelerin genişliğini belirten piksel yalnızca gösterim amacıyla ve katılımcılara görünmez. (Deneme L. Zhan 17 izni olan biri uyarlanmıştır). Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 2
Resim 2 . Denemede kullanılan test cümleler örneği (L. Zhan17 izni ile yayımlanmaktadır). Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 3
Şekil 3 . Görsel Dünya paradigması kullanarak tipik bir göz izleme deney hiyerarşik yapısını. Resimde gösterildiği ses Mandarin Çincesi deneyde kullanılan İngilizce çevirileri vardır. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 4
Şekil 4 . Katılımcıların davranışsal yanıt denemede kaydedilen (L. Zhan17 izni olan deney uyarlanmıştır). Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 5
Şekil 5 . Katılımcıların göz hareketleri denemede gözlenen. Başlangıçlı ve sentential connectives uzaklığı iki kesik çizgili dikey çizgiyle hale getirmiştir. Gri alan (p <.05, ayarlanabilir Bonferroni) tarafından önemli bir fark arasında ayırıcı ve belirli örnekleme noktada temel koşulu mevcut hale getirmiştir (L. Zhan17 izniyle uyarlanmıştır). Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Bir görsel dünya çalışma yapmak için izlenmesi gereken birkaç kritik adım vardır. İlk olarak, araştırmacılar auditorily sunulan dil yolu ile katılımcıların göz hareketleri görsel dünyanın yorumlanması anlamak niyetinde. Şu andan itibaren görsel uyaranlara düzenini tasarlarken, potansiyel tesir katılımcıların göz hareketleri göz hareketleri doğal bir görev özelliklerini kontrol edilmelidir. Konuşulan dil etkisi katılımcıların göz hareketleri sonra kabul edilebilir. Konuşulan dil ikinci, akustik cues geçici ve akustik imza yalnızca belirli dil kategoriye karşılık gelen yok. Doğru zaman kilidi katılımcıların göz-hareketleri için bazı dilsel marker başlangıcı ile araştırmacılar objektif ve sınır bazı dilsel yapı tanımlamak için tutarlı bir yol bulmak gerekir. Üçüncü olarak, katılımcıların göz rotasyon başının etrafında onların bakışları ile ilgili görsel dünyanın doğru şekilde eşlemek için bir veya daha fazla çalışır kalibrasyon, doğrulama ve drift düzeltme işlemleri gerçekleştirmek için araştırmacılar gerekir. Dördüncü olarak, bir görsel dünya çalışmada elde edilen veriler alt ve üst sınırlı, varlık gibi bazı kendine özgü özellikleri vardır ve autocorrelated hatalar vb. sahip. İstatistiksel olarak verileri çözümlemek için bir yöntemi seçildiğinde bu kendine özgü özellikleri dikkate alınmalıdır.

Bir görsel dünya çalışma üç temel bileşenden oluşur: görsel ekran, konuşulan dil, deneysel görev. Değişiklik herhangi bir bileşeni araştırmacıların belirli amaçları yerine getirmek için yapılabilir. İlk olarak, görsel bir görüntü normalde resimleri bir dizi gösteren bir tarama görüntüdür. Ama aynı zamanda basılı kelime32, bir şematik sahne30,31veya gerçek nesneler1,32içeren bir gerçek dünya sahnesinde bir dizi gösteren bir tarama görüntü olabilir. İkinci olarak, söylenen sözler bir kelime36, bir basit cümle30,31, bir anlam olarak karmaşık ifadesi17,34,35veya bir diyalog39olabilir. Üçüncü olarak, deneysel görev açısından, katılımcılar da sadece görsel dünya bakmak ve iyi işitsel sözler30' a,31dinle isteniyor; veya işitsel söyleyiş1tarafından açıklanan hareketleri dışarı oyunculuk, işitsel söyleyiş görsel ekran38için geçerli olup olmadığını belirleme veya doğru seçimi gibi bazı davranışsal tepkiler yapmak için gerekli görsel ekran konuşulan söyleyiş görüntüde17hakkında konuşuyor.

Psycholinguistic diğer teknikleri ile karşılaştırıldığında görsel dünya paradigma, çeşitli benzersiz avantajları vardır. İlk olarak, görsel dünya paradigma nüfusun okuyamıyorum ve/veya kim açıktan açığa preliterate çocuk37,38,39, gibi davranışsal yanıt veremem de dahil olmak üzere geniş bir yelpazede kullanılabilir 40 , 41 , 42, yaşlı yetişkin46ve hastalar (Örn., aphasics)47. Dil uyaranlar işitsel yerine yazılı metinler şeklinde sunulmaktadır olmasıdır; ve dil anlama katılımcıların örtülü otomatik göz hareketleri yerine açık davranış yanıtlarını anlaşılmaktadır. İkinci olarak, görsel dünya konuşma sinyali ince taneli manipülasyonlar için son derece hassas bir örnektir. Bu paradigma online dil anlama gibi ince taneli akustik fonetik özellikler33,45,46, birden çok düzeyde birçok konu, işleme özellikleri çalışma için kullanılabilir kelime30,31, dilsel yapıları1,47ve concessives37, biconditionals37gibi anlam olarak karmaşık deyimleri mantıksal yapıları, BBCode38ve disjunctions17.

Diğer psycholinguistic tekniği ile karşılaştırıldığında görsel dünya paradigma, aynı zamanda potansiyel bazı sınırlamalar vardır. İlk olarak, katılımcıların yorumu konuşulan dil çıkarılabilir görsel dünya üzerinde onların göz hareketlerinden, genel dil uyaranlara görsel dünyayla okudu dil özellikleri başı se. bundan sonra gerçek yorumu paradigma sınırlıdır görüntülenmeyecektir olanlar için i.e., onlar bir şekilde varlıklar veya görsel dünya olayların için ilgili olmalıdır. İkinci olarak, kullanılan görsel dünya paradigma normalde daha resimde referents, sınırlı sayıda ve sınırlı miktarda potansiyel eylemleri ile gerçek görsel dünyanın daha sınırlıdır. Bu sözde kapalı küme sorun48 gözlenen dil işleme deney içinde oluşturulan özel durumlar dışında genelleme değil Görev özgü stratejileri oluşturabilirsiniz. Şu andan itibaren paradigma lisan bilgisine ve kapalı küme dışında yalan deneyimi belirli bir duruşmada kurulan özellikleri duyarlı olmayabilir.

Görsel Dünya paradigma aslında işitsel etki alanından bilgi ve görsel etki alanı bilgileri entegrasyonu araştırıyor. Teorik olarak, iki sansasyonel etki alanı tarafından işlenen herhangi bir bilgi potansiyel olarak bu paradigması kullanarak okudu olabilir. Örneğin, görsel dünya sanal gerçeklik veya dinamik videoları olabilir. İşitsel girişi mutlaka dil değildir ve müzik ve ses doğal dünya vb.gibi başka bir biçimde olabilir. Ayrıca, Bu paradigma diğer etki yerine görsel hem işitsel etki alanından bilgi entegrasyonu keşfetmek için daha da genişletilebilir. Örneğin, araştırmacılar nasıl katılımcıların tespitlerin görsel dünyanın etkilenen farklı kokular, farklı dokunur, vbtarafından görmek için bu tekniği kullanabilirsiniz.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazar hiçbir rakip mali çıkarlarının olduğunu bildirir.

Acknowledgments

Bu araştırma bilim Vakfı Pekin dil ve Kültür Üniversitesi Merkez üniversiteler (onay numarası 15YJ050003) için temel araştırma fonu tarafından desteklenmiştir.

Materials

Name Company Catalog Number Comments
Pixelmator Pixelmator Team http://www.pixelmator.com/pro/ image editing app
Praat Open Sourse http://www.fon.hum.uva.nl/praat/ Sound analyses and editting software
Eyelink 1000plus SR-Research, Inc https://www.sr-research.com/products/eyelink-1000-plus/ remote infrared eye tracker 
Experimental Builder SR-Research, Inc https://www.sr-research.com/experiment-builder/ eye tracker software 
Data Viewer SR-Research, Inc https://www.sr-research.com/data-viewer/ eye tracker software 
R Open Sourse https://www.r-project.org free software environment for statistical computing and graphics

DOWNLOAD MATERIALS LIST

References

  1. Tanenhaus, M. K., Spivey-Knowlton, M. J., Eberhard, K. M., Sedivy, J. C. Integration of visual and linguistic information in spoken language comprehension. Science. 268 (5217), 1632-1634 (1995).
  2. Cooper, R. M. The control of eye fixation by the meaning of spoken language: A new methodology for the real-time investigation of speech perception, memory, and language processing. Cognitive Psychology. 6 (1), 84-107 (1974).
  3. Salverda, A. P., Tanenhaus, M. K. Research methods in psycholinguistics and the neurobiology of language: A practical guide. de Groot, A. M. B., Hagoort, P. , Wiley. (2017).
  4. Huettig, F., Rommers, J., Meyer, A. S. Using the visual world paradigm to study language processing: A review and critical evaluation. Acta Psychologica. 137 (2), 151-171 (2011).
  5. Meyer, A. S., Sleiderink, A. M., Levelt, W. J. M. Viewing and naming objects: Eye movements during noun phrase production. Cognition. 66 (2), B25-B33 (1998).
  6. Griffin, Z. M., Bock, K. What the eyes say about speaking. Psychological Science. 11 (4), 274-279 (2000).
  7. Young, L. R., Sheena, D. Survey of eye movement recording methods. Behavior Research Methods & Instrumentation. 7 (5), 397-429 (1975).
  8. Conklin, K., Pellicer-Sánchez, A., Carrol, G. Eye-tracking: A guide for applied linguistics research. , Cambridge University Press. (2018).
  9. Duchowski, A. Eye tracking methodology: Theory and practice. , 2, Springer. (2007).
  10. Baayen, R. H., Davidson, D. J., Bates, D. M. Mixed-effects modeling with crossed random effects for subjects and items. Journal of Memory and Language. 59 (4), 390-412 (2008).
  11. Barr, D. J. Analyzing 'visual world' eyetracking data using multilevel logistic regression. Journal of Memory and Language. 59 (4), 457-474 (2008).
  12. Nixon, J. S., van Rij, J., Mok, P., Baayen, R. H., Chen, Y. The temporal dynamics of perceptual uncertainty: eye movement evidence from Cantonese segment and tone perception. Journal of Memory and Language. 90, 103-125 (2016).
  13. Bolker, B. M., et al. Generalized linear mixed models: A practical guide for ecology and evolution. Trends in Ecology and Evolution. 24 (3), 127-135 (2009).
  14. Mirman, D., Dixon, J. A., Magnuson, J. S. Statistical and computational models of the visual world paradigm: Growth curves and individual differences. Journal of Memory and Language. 59 (4), 475-494 (2008).
  15. Baayen, H., Vasishth, S., Kliegl, R., Bates, D. The cave of shadows: Addressing the human factor with generalized additive mixed models. Journal of Memory and Language. 94, 206-234 (2017).
  16. Baayen, R. H., van Rij, J., de Cat, C., Wood, S. Mixed-Effects Regression Models in Linguistics. Speelman, D., Heylen, K., Geeraerts, D. 4, Ch 4 49-69 (2018).
  17. Zhan, L. Scalar and ignorance inferences are both computed immediately upon encountering the sentential connective: The online processing of sentences with disjunction using the visual world paradigm. Frontiers in Psychology. 9, (2018).
  18. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  19. Barr, D. J., Jackson, L., Phillips, I. Using a voice to put a name to a face: The psycholinguistics of proper name comprehension. Journal of Experimental Psychology-General. 143 (1), 404-413 (2014).
  20. van Gompel, R. P. G., Fischer, M. H., Murray, W. S., Hill, R. L. Eye movements: A window on mind and brain. , Elsevier. Ch. 21 471-486 (2007).
  21. Parkhurst, D., Law, K., Niebur, E. Modeling the role of salience in the allocation of overt visual attention. Vision Research. 42 (1), 107-123 (2002).
  22. Grice, H. P. Vol. 3 Speech Acts. Syntax and semantics. Cole, P., Morgan, J. L. , Academic Press. 41-58 (1975).
  23. Sauerland, U. Scalar implicatures in complex sentences. Linguistics and Philosophy. 27 (3), 367-391 (2004).
  24. Chierchia, G. Scalar implicatures and their interface with grammar. Annual Review of Linguistics. 3 (1), 245-264 (2017).
  25. Fox, D. Presupposition and Implicature in Compositional Semantics. Sauerland, U., Stateva, P. , Palgrave Macmillan. Ch. 4 71-120 (2007).
  26. Meyer, M. C. Ignorance and grammar. , Massachusetts Institute Of Technology. Unpublished PhD Thesis (2013).
  27. SR Research Ltd. SR Research Experiment Builder User Manual (Version 2.1.140). , Ottawa, Canada. (2017).
  28. SR Research Ltd. EyeLink® 1000 Plus Technical Specifications. , Mississauga, Canada. (2017).
  29. SR Research Ltd. EyeLink-1000-Plus-Brochure. , Mississauga, Canada. (2017).
  30. SR Research Ltd. EyeLink® 1000 Plus User Manual (Version 1.0.12). , Ottawa, Canada. (2017).
  31. SR Research Ltd. EyeLink® Data Viewer User’s Manual (Version 3.1.97). , Ottawa, Canada. (2017).
  32. McQueen, J. M., Viebahn, M. C. Tracking recognition of spoken words by tracking looks to printed words. The Quarterly Journal of Experimental Psychology. 60 (5), 661-671 (2007).
  33. Altmann, G. T. M., Kamide, Y. Incremental interpretation at verbs: restricting the domain of subsequent reference. Cognition. 73 (3), 247-264 (1999).
  34. Altmann, G. T. M., Kamide, Y. The real-time mediation of visual attention by language and world knowledge: Linking anticipatory (and other) eye movements to linguistic processing. Journal of Memory and Language. 57 (4), 502-518 (2007).
  35. Snedeker, J., Trueswell, J. C. The developing constraints on parsing decisions: The role of lexical-biases and referential scenes in child and adult sentence processing. Cognitive Psychology. 49 (3), 238-299 (2004).
  36. Allopenna, P. D., Magnuson, J. S., Tanenhaus, M. K. Tracking the time course of spoken word recognition using eye movements: Evidence for continuous mapping models. Journal of Memory and Language. 38 (4), 419-439 (1998).
  37. Zhan, L., Crain, S., Zhou, P. The online processing of only if and even if conditional statements: Implications for mental models. Journal of Cognitive Psychology. 27 (3), 367-379 (2015).
  38. Zhan, L., Zhou, P., Crain, S. Using the visual-world paradigm to explore the meaning of conditionals in natural language. Language, Cognition and Neuroscience. 33 (8), 1049-1062 (2018).
  39. Brown-Schmidt, S., Tanenhaus, M. K. Real-time investigation of referential domains in unscripted conversation: A targeted language game approach. Cognitive Science. 32 (4), 643-684 (2008).
  40. Fernald, A., Pinto, J. P., Swingley, D., Weinberg, A., McRoberts, G. W. Rapid gains in speed of verbal processing by infants in the 2nd year. Psychological Science. 9 (3), 228-231 (1998).
  41. Trueswell, J. C., Sekerina, I., Hill, N. M., Logrip, M. L. The kindergarten-path effect: studying on-line sentence processing in young children. Cognition. 73 (2), 89-134 (1999).
  42. Zhou, P., Su, Y., Crain, S., Gao, L. Q., Zhan, L. Children's use of phonological information in ambiguity resolution: a view from Mandarin Chinese. Journal of Child Language. 39 (4), 687-730 (2012).
  43. Zhou, P., Crain, S., Zhan, L. Grammatical aspect and event recognition in children's online sentence comprehension. Cognition. 133 (1), 262-276 (2014).
  44. Zhou, P., Crain, S., Zhan, L. Sometimes children are as good as adults: The pragmatic use of prosody in children's on-line sentence processing. Journal of Memory and Language. 67 (1), 149-164 (2012).
  45. Moscati, V., Zhan, L., Zhou, P. Children's on-line processing of epistemic modals. Journal of Child Language. 44 (5), 1025-1040 (2017).
  46. Helfer, K. S., Staub, A. Competing speech perception in older and younger adults: Behavioral and eye-movement evidence. Ear and Hearing. 35 (2), 161-170 (2014).
  47. Dickey, M. W., Choy, J. W. J., Thompson, C. K. Real-time comprehension of wh-movement in aphasia: Evidence from eyetracking while listening. Brain and Language. 100 (1), 1-22 (2007).
  48. Magnuson, J. S., Nusbaum, H. C. Acoustic differences, listener expectations, and the perceptual accommodation of talker variability. Journal of Experimental Psychology-Human Perception and Performance. 33 (2), 391-409 (2007).
  49. Reinisch, E., Jesse, A., McQueen, J. M. Early use of phonetic information in spoken word recognition: Lexical stress drives eye movements immediately. Quarterly Journal of Experimental Psychology. 63 (4), 772-783 (2010).
  50. Chambers, C. G., Tanenhaus, M. K., Magnuson, J. S. Actions and affordances in syntactic ambiguity resolution. Journal of Experimental Psychology-Learning Memory and Cognition. 30 (3), 687-696 (2004).
  51. Tanenhaus, M. K., Trueswell, J. C. Approaches to Studying World-Situated Language Use: Bridging the Language-as-Product and Language-as-Action Traditions. Trueswell, J. C., Tanenhaus, M. K. , The MIT Press. (2005).

Tags

Davranış sayı: 140 göz izleme tekniği görsel dünya paradigma konuşulan dil çevrimiçi işlem karmaşık ifadesi Genelleştirilmiş Doğrusal karma modeli binom dağılımı familywise hatası Bonferroni düzeltmesi
Konuşulan dil çevrimiçi işlenmesi keşfetmek için görsel dünya paradigmada kaydedilen göz hareketleri kullanarak
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Zhan, L. Using Eye Movements… More

Zhan, L. Using Eye Movements Recorded in the Visual World Paradigm to Explore the Online Processing of Spoken Language. J. Vis. Exp. (140), e58086, doi:10.3791/58086 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter