Analysis - 1

Participants

---

총:49명 분석 대상

전체 LY실험 중 음성수렴이 진행된 범위는 LY001 ~ LY062(62명)
제외 대상은 아래와 같음.

• pilot 및 초기 실험 세팅 변경(6명): LY001, LY003, , LY012, LY014, LY016, LY018
• 2차 실험 제외(1명): LY049
• 실험 미 이해(1명) : LY059
• 설문 미 실시(2명) : LY43, LY52
• 분석 중 탈락 - 일부 반응 누락(3명): LY025, LY057, LY058
  따라서 62 - 13 = 49 명

Lobanov(개인 내 Z-scoring)

---

음성학 분야에서 많이 사용되는 정규화로, 개인 간 편차를 줄이기 위해 하는 개인 내 z-score 변환(주로 모음 대상으로 사용된다고 함.)

• 개인내 모든 모음에 대해서 z-scoring을 하는 걸로 fix.

$F_n(V{)}_{norm}=\frac{F_n(V)-{\mu }_{F_n}}{{\sigma }_{F_n}}$

• $F_n(V{)}_{norm}$ : 정규화된 n 번째 Formant 값.
• $F_n(V)$: 특정 모음(V)의 n 번째 포먼트 값.
• ${\mu }_{F_n}$: 해당 화자의 모든 모음에 대한 n 번째 Formant($F_n$)의 평균
• ${\sigma }_{F_n}$: 해당 화자의 모든 모음에 대한 $F_n$의 std.

Metric define

---

• ${\mathbb{R}}^2$ 에서 Euclidean distance (Z-score normed)
  $\sqrt{(F1(z{)}_{model}-F1(z{)}_{participant}{)}^2+(F2(z{)}_{model}-F2(z{)}_{participant}{)}^2}$
• Vowel Length
  $|V{L}_{model}-V{L}_{participant}|$

lobanov를 기준으로 수렴 여부를 판단?

---

Multi column

orignal

lobanov normed

• ae 발음을 보면, normalization 전의 값들은 수렴하지만, normalization(z-score) 이후에는 발산으로 경향이 바뀌었다.
• 고민해보아야 할 포인트는 음성 수렴이라는 현상 자체가 formant(hz)d에 다가하는게 중점일지, 아니면 조음 위치가 닮아가는게 중점일지 고민해보아야 함.
• z-scoring을 하면, 개인차는 없앨 수 있지만, 조음 공간을 포함하여 해석할 수 있게겠지. 근데 그러면 그 metric은 수렴의 지표로써 사용할 수 있나? (타당성)

우리가 보려는 건 음성 수렴이잖아. 이게 포먼트가 닮는다고 조음 위치 수렴이라고 할 수 있을까?
일대일 대응 관계인지 한 번 생각해보고, 이것 때문에 정규화를 하면 안 될지도,,

Result

---

trajectory(original_formant vs lobanov norm) - 개인별 분석

---

Multi column

original-freq

lobanov Normalized

Group 간 분석

---

아래는 vowel의 구분 없이 mid-point 의 formant의 mean value.

Multi column

original distance

Identity Of Model(exp list)	stage2	stage4	stage5	stage6
AI	243.890025	223.523232	228.252480	241.290115
Human	239.136157	236.261951	239.320735	236.621678

lobanov normed - distance

Identity Of Model(exp list)	stage2	stage4	stage5	stage6
AI	0.380654	0.267384	0.275615	0.344808
Human	0.345755	0.302511	0.292520	0.343667

• 기본적인 가설 및 지지 여부
  • stage 2 → 4: 모델 화자에 대한 인지적 정보를 제공하지 않았으니, 일반적으로 수렴 예상
    • 모든 지표에 대해 수렴. 예상에 부합.
      • 정보가 주어지지 않았으니 일반적인 사람 목소리라고 인식헀겠지.
  • stage4 → 5: 모델 화자에 대한 정보가 주어졌으니, 수렴 여부 양상이 달라질거라 예상.
    • AI: normalized 여부에 관계 없이 모두 발산. 예상을 지지.
    • Human: normalized를 한 경우에만 수렴을 지지. normed value만 예상에 부합.
      • stage 4→ 5를 더 잘 설명하는 건, normed를 한 걸 사용하는게 나을 것 같긴 하네.
  • stage 5→ 6: 음원을 제시하지 않으니 기본적으로 발산 양상 예상.
    • AI: normalized를 한 경우에만 수렴을 지지. 예상에 부합.
    • Human: normalized를 한 경우에만 수렴을 지지. normed value만 예상에 부합.
      • stage 5→ 6를 더 잘 설명하는 건, normed를 한 걸 사용하는게 나을 것 같긴 하네.

정리하자면, 예상을 더 잘 설명하는 건, normalized 된 값들 임.

Phone Analysis

---

Multi column

a

ae

i

o

u

Multi column

Mean-val

Phone	Identity Of Model(exp list)	stage2	stage4	stage5	stage6	가설 지지 여부
a	AI	0.478310	0.324896	0.318313	0.455947	X
	Human	0.486659	0.325267	0.337925	0.421505	X
ae	AI	0.374968	0.359365	0.337394	0.331823	X
	Human	0.320407	0.325478	0.340655	0.365667	X
i	AI	0.500838	0.289216	0.279718	0.407559	X
	Human	0.376717	0.309786	0.248917	0.349673	V
o	AI	0.239698	0.202051	0.248765	0.253516	V
	Human	0.314206	0.310111	0.295548	0.315131	V
u	AI	0.309456	0.161390	0.193886	0.275194	V
	Human	0.230785	0.241911	0.239557	0.266359	V

Median-val

Phone	Identity Of Model(exp list)	stage2	stage4	stage5	stage6	가설 지지 여부
a	AI	0.434393	0.281231	0.286207	0.475222	V
	Human	0.458477	0.299897	0.289329	0.366543	V
ae	AI	0.347552	0.323733	0.351349	0.332473	V
	Human	0.257598	0.288433	0.285531	0.257959	V
i	AI	0.397274	0.258481	0.246181	0.321188	X
	Human	0.366669	0.266127	0.229474	0.344216	V
o	AI	0.221304	0.223043	0.235388	0.240119	V
	Human	0.223637	0.253730	0.232407	0.293193	V
u	AI	0.275822	0.170931	0.170819	0.249657	X
	Human	0.195052	0.135310	0.137476	0.183026	X

• Mean 값 기준으로 단순 경향 분석에서는 boxplot이랑 좀 상반되게 나오기긴 하는데,
  • 이럴만한 이유는 샘플 수가 작다는 점??

Statistical Analysis

---

ANOVA + Tukey-HSD

---

현재 보려고 하는 변수들은 총 2가지 → perceived Identity of Model,

• Babel(2012) paper 참고하여 분석 어떻게 하는지 확인해보고, 저번에 발표자료로 쓴 선행 연구 정리된 표에서 AXB 말고 우리가 하는 Euclidean-distance 중심으로 수렴 판단하는 선행 연구들에서 분석 어떻게 하는지 확인할 것.