有声调母语也救不了新声调：粤语者跨情境学普通话声调的特异性干扰

英文题目：The Role of L1 Tonal Experience in Cross-Situational Learning of Non-Native Tone Contrasts

会议身份：conference:speechprosody:2026:conference-paper-id:chui26_speechprosody

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#心理声学实验 #语言习得 #言语感知 #语音 #口语理解

评分：5.3/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.3/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Yin To Chui：机构信息未能从会议 PDF 纯文本可靠映射
• Zhen Qin：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究处理跨情境词学习下第二语言声调词指映射问题，输入为含糊试次中的伪词发音与多候选新颖物体，输出为词指映射选择，难点是粤语母语者需在普通话声调最小对立中编码精细基频轮廓。方法分三步：先构造3个基词与T1-T1、T2-T1、T4-T1组合的9个伪词并固定配对新颖物体，为统计学习提供可区分载体。接着以288个二选一无反馈训练试次建立8比1共现统计，使正确配对随试次累积显现，前步映射直接构成该阶段学习目标。然后用54试次三选一测试分离声调最小对与非最小对表现，并以混合效应模型与误差分析定位同化模式，测试输出回接到训练统计的保持检验。相对英语者完全学不会声调的已有方法，本工作以声调母语者为对照，揭示干扰是特定范畴映射而非泛化不敏感，具有厘清声调迁移机制的意义。在训练后三选一测试任务下，粤语组由非最小对到声调最小对的准确率估计为-1.61，低于普通话组的准确率估计-1.07。结论适用边界仅限粤语学普通话T1-T2-T4有限集与实验室短期学习，尚未验证长时保持与连续语流外推，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么：这篇论文到底要解决什么含糊性？

这篇解读的输入是 Speech Prosody 2026 的 1 篇会议论文，目标是让刚进入语音、音乐与音频领域的研究生能核对原文并复述方法。必须保留的信息包括被试分组、刺激构造、训练与测试流程、两种试次类型的定义、统计模型结构与关键系数方向。输出是 1 篇按学习依赖展开的技术解读，不做超出原文的推广。

论文研究的是跨情境词学习，用白话说就是在每次都看不清词到底指哪个物体的情况下，靠多次观察词与物体共同出现的概率来猜出正确配对。英文名是 cross-situational word learning，缩写为 CSWL。后文统一简称跨情境学习。它的输入是含糊试次序列，输出是词到指称物的映射。初学者容易把它误解为 1 次听懂，而原文强调它是跨试次的统计累积。

这种学习方式的难点在于学习者必须先把词的声音细节编码正确。如果两个词听起来几乎一样，统计证据就会被混淆。论文把这种挑战放在第二语言习得中讨论，因为母语语音系统会像过滤器一样影响对外语声音的辨别。也就是说，即使统计机制本身正常，声音表征不清也会让学习失败。理解这一点是后续所有对照设计的前提。

已有路线走到了哪里：从音段最小对到声调最小对

已有工作用最小对立范式来探测第二语言跨情境学习的困难。最小对立试次的英文是 minimal pair trial，缩写为 MP 试次，指目标词与干扰词只差一个音位，例如辅音不同或元音不同。非最小对立试次的英文是 non-minimal pair trial，缩写为 Non-MP 试次，指目标词与干扰词在语音上明显不同，用作学习基线。如果学习者在 MP 试次上明显差于 Non-MP 试次，就说明语音相似性造成了学习负担。

知觉同化 × 母语感知过滤器： 母语感知过滤器负责描述母语范畴如何限制对第二语言新对比的辨别，知觉同化负责说明两个外语范畴被映射到同一个母语范畴的具体机制，二者搭配的理由是前者是总体约束，后者给出可预测的混淆方向，组合后把粤语者对普通话 T1-T4 的困难从泛泛的非母语困难细化为向粤语高平调的单范畴映射。

沿这条路线，Tuninetti 等人的工作教澳大利亚英语者学习荷兰语和巴西葡萄牙语的元音最小对，并按同化模型把 MP 试次分为知觉上容易与困难两类，结果呈现非最小对最好、容易最小对居中、困难最小对最差的层级。这支持母语结构造成特定学习障碍。

Ge 等人的工作把该范式搬到普通话学习，让英语者学习辅音最小对、元音最小对和声调最小对，其中声调最小对指音段相同而普通话声调不同，例如/pa1mi1/与/pa4mi1/，结果是英语者在辅音和元音最小对上高于随机水平，但在声调最小对上长期停留在随机水平。这提出一个未解问题：这种声调学习的彻底失败是因为没有声调母语背景，还是因为非母语本身就难。

论文的切入点正是补上声调母语者这一格。粤语和普通话都是声调语言，但调库与具体基频轮廓不同。按知觉同化理论，粤语者可能把普通话的平声与降声都听成粤语中相近的一个平调范畴，从而产生可预测的混淆。这就把研究问题从泛泛的声调难细化为母语与目标语声调系统是否兼容。

要回答哪两个问题：不成比例困难与混淆方向

论文提出两个研究问题。第一个问题是粤语者相对普通话母语者，是否在普通话声调最小对上表现出不成比例的困难。注意这里不是问粤语者总体是否差一些，而是问声调最小对与非最小对之间的成绩落差是否在粤语组更大。只有同时比较组别与试次类型才能回答。

第二个问题是这种困难的具体性质是什么。通过分析声调最小对试次上的错误分布，是否会出现系统性模式，并且该模式是否与多个普通话声调映射到同一个粤语范畴一致。这要求不只看正确率，还要看错选了哪个干扰项。

为此论文招募两组对照：母语为粤语的学习者组和母语为普通话的专家组。专家组的作用不是展示满分，而是提供在相同统计结构、相同材料下母语表征充分时的成绩上限与试次难度基线。只有两组做完全相同的训练与测试，组别与试次类型的交互才有解释力。

方法全景：先走完一个词从声音到物体再展开细节

先沿一个样本走完全程。假设目标伪词是/pa1ti1/，它由基音节/pati/加上平声加平声的声调模式构成。在训练阶段，被试听到/pa1ti1/，同时看到两个新奇物体图片，其中一个是/pa1ti1/的真实指称物，另一个是陪衬干扰物，被试在无反馈、自定步速下点选其一。由于单次试次含糊，只有跨多次试次追踪哪个物体与该声音更稳定共现才能学会。在测试阶段，被试再次听到/pa1ti1/，但这次看到 3 个物体：正确目标 plus 两个干扰物。

如果是声调最小对试次，两个干扰物就是同基音节不同声调的/pa2ti1/与/pa4ti1/所对应的物体；如果是非最小对试次，两个干扰物就是音段不同但声调模式相同的/lei1fa1/与/ji1ko1/所对应的物体。被试的选择直接反映其对声调轮廓还是音段差异的掌握。

整个流程分为训练后紧接测试。训练提供含糊但统计有偏的暴露，测试用受控的干扰物结构分离声调学习与一般词汇学习。听觉刺激由普通话母语者录制，并对时长与总体强度归一化，使最小三元组内唯一的系统声学差异是基频轮廓。视觉指称物选自新奇物体数据库，挑选熟悉度低且互不相同的图片，每个伪词与物体的配对对所有被试保持恒定。

需要强调的是，本研究没有训练神经网络模型，这里的训练指人类被试的跨情境学习暴露。方法职责由刺激构造、呈现协议与行为统计承担，而不是由模型权重更新承担。

刺激如何构造：三个基词乘以三种声调模式

听觉材料由 3 个双音节基词构成，分别是/pati/、/leifa/和/jiko/。选择双音节是为了贴近普通话以多音节词为主的生态特点，同时 3 个基词在首辅音上尽量区分，并遵守普通话与粤语的音位配列但在两种语言中都不构成真词。这样做的安排理由是把音段相似性压到最低，使后续声调最小对的效果不被音段混淆。

每个基词的第一个音节是声调变化的目标位置，叠加 3 种普通话声调模式：平声加平声如/pa1ti1/，升声加平声如/pa2ti1/，降声加平声如/pa4ti1/。3 乘 3 共得到 9 个伪词，组成 3 个声调最小三元组。第二个音节保持平声不变，使对比集中在首音节轮廓。

跨情境词学习 × 最小对立试次： 跨情境词学习负责在多次含糊呈现中统计词与指称物的共现概率，最小对立试次负责把目标词与干扰词的语音关系固定为仅差一个音位或声调，二者搭配的理由是只有控制语音重叠才能分离出一般词汇学习能力与语音编码瓶颈，组合后新增的作用是把统计学习成败直接归因到特定语音对比上。

由此衍生出两种词配对。非最小对由不同基词构成，例如/pati/对/leifa/，因音段差异大而测量一般词汇习得能力。声调最小对由同一基词的不同声调变体构成，只考声调轮廓的学习。这种配对方式与后续测试中的干扰物选择一一对应，是全文因果链条的关键。

试次类型如何分离基线与压力：声调最小对与非最小对

测试阶段每个目标词出现 6 次，两种试次类型各 3 次，共 54 试次。声调最小对试次的两个干扰物是同基音节另两个声调变体的指称物，直接检验声调范畴是否建立。非最小对试次的两个干扰物是音段不同但声调模式相同的词的指称物，作为对照条件检验音段不同时的学习。屏幕上 3 个物体的位置用拉丁方设计在重复间平衡，以控制空间反应偏好。

声调最小对 × 非最小对： 声调最小对负责让目标与干扰物在音段完全相同而仅声调轮廓不同，非最小对负责让目标与干扰物在音段上明显不同而声调模式相同，二者搭配的理由是后者提供无语音重叠时的学习基线，前者施加声调编码压力，组合意义在于用两者的成绩差值量化声调带来的特异性学习代价。

初学者常把声调最小对成绩低直接读成声调感知差，但原文逻辑更严格：必须先看非最小对是否学会，再看声调最小对相对非最小对下降多少，最后看该下降在粤语组是否大于普通话组。只有 3 层比较同时成立，才能说困难是声调特异且与母语背景有关，而不是一般的任务不适应或记忆负荷。

没有模型训练时：人类学习暴露的真实计算过程是什么？

本研究没有训练任何机器学习模型，也就没有梯度路径、参数冻结、优化器或早停可报告。该节对应的是人类被试的跨情境训练流程，其真实计算过程是被试在无反馈条件下累积共现统计。训练共 288 个两选迫选试次，分 4 个区组呈现，每次呈现一个声音加两张图片，被试自定步速、无试次间间隔地做出词物映射判断。正确配对与错误配对之间维持 8 比 1 的强统计偏向，使正确映射只能靠跨试次追踪才能发现。呈现顺序对每位被试随机化，且无人重复同一序列。

两选迫选训练 × 三选迫选测试： 两选迫选训练负责提供多次含糊但统计上有偏的学习暴露，三选迫选测试负责在学习后用一个目标加两个受控干扰物评估映射是否建立，二者搭配的理由是训练必须保持指称不确定性而测试必须分离声调与音段干扰来源，组合意义在于训练动态与最终表征困难可以分开检验。

需要明确的缺项是原文未报告被试在训练中每个试次的反应时分布、个体学习策略或是否使用显式记忆技巧，也未报告录音的具体基频数值与归一化算法参数。因此不能从任务名称推定被试采用了某种确定性规则，也不能把总体学习曲线上升解读为每一步都在单调改进。该节的方法职责完全由可复现的试次数量、选项数量、统计偏向与随机化方式承担。

实验条件如何保证可比：被试筛选与呈现控制

被试共 84 名健康成人，分为母语粤语组与母语普通话组。年龄范围在 18 至 35 岁之间，所有被试报告正式音乐训练少于三年。粤语组要求正式普通话学习少于九年，原文说明该暴露水平依据既有工作被认为不足以克服母语干扰。同时用语言史问卷主观评分与普通话版图片词汇测验客观成绩测量粤语组的普通话水平，原文表格呈现了习得年龄、学习年数与测验分数的均值与标准差。普通话组作为专家对照，不报告第二语言普通话习得史。

为帮助复现，先把呈现规模整理成下表。表的比较问题是训练与测试的任务负荷是否可比，公平条件是两组接受完全相同的材料、映射与随机化，指标方向是试次数越多统计证据越充分但也带来疲劳权衡。

该表整理自原文对训练与测试流程的连续描述，训练试次分布在 4 个区组，测试试次由目标词数量、试次类型与重复次数相乘得到。表后需要说明的是，训练用两选项保持单次含糊但可行，测试用三选项使声调最小对能同时呈现两个声调干扰项，从而区分错选 T2 还是 T4。代价是测试选项更多带来偶然猜中率更低，不能把训练准确率与测试准确率直接比较大小。未胜出项在这里体现为原文未设置音段最小对测试，因此不能在本实验内直接比较声调最小对与音段最小对的难度高低，这是作者在讨论中明确留待未来工作的边界。

听觉呈现只保留基频轮廓差异，视觉呈现使用低熟悉度新奇物体并固定词物映射，这些控制使组间差异更可能来自语音表征而非材料熟悉度或映射任意性。

训练动态显示什么：两组都在学但斜率不同

训练结果先看跨 4 个区组的准确率轨迹。原文报告两组都随时间提高，普通话组始终高于粤语组，且粤语组曲线看起来更平缓。为形式化检验，作者对第一区组与第四区组的试次水平准确率拟合广义线性混合效应模型，固定效应包括区组、语言组、试次类型及其全部交互，分类预测变量采用偏差编码以便解释主效应。

模型显示区组、语言组与试次类型的主效应均显著，关键的是出现区组与语言组的显著交互，表明两组学习速度不同。事后比较确认从第一区组到第四区组的进步在普通话组更大，粤语组更小，而三重交互不显著，提示训练阶段粤语者较慢的学习速率是总体效应，而非特异于声调最小对试次。这一点很重要：若只看训练会误以为困难是一般的，而测试阶段的交互才揭示声调特异性。

广义线性混合效应模型 × 事后比较： 广义线性混合效应模型负责在试次水平上同时估计组别、试次类型、区组及其交互并容纳被试与项目变异，事后比较负责在显著交互后量化具体哪两组差异更大，二者搭配的理由是主效应不能回答不成比例困难，必须做交互加定向对比，组合后才能从系数方向读出粤语者在声调最小对上的额外损失。

复述时要注意方向：系数符号取决于编码方式，不能脱离原文的组别编码空谈正负好坏，应以事后估计的组间进步差与原文文字结论为准。

测试主结果：不成比例困难的交互证据有多强？

测试阶段用三选迫选试次水平准确率拟合模型，固定效应为语言组、试次类型及其交互。下表把核心数字放在同一可运行策略下比较，比较问题是在控制非最小对基线后声调最小对的额外损失是否因母语而异，公平条件是两组材料与流程完全相同，指标方向是准确率越高越好、声调最小对相对非最小对的下降越大表示声调代价越大。

表后解释如下。主要收益是交互显著且事后对比确认粤语组的声调最小对相对下降大于普通话组，这直接支持第一个研究假设：困难不是一般的组间差距，而是声调重叠特异的放大。具体代价是两组在声调最小对上都低于非最小对，说明即使母语者也会为最小对付出代价，只是粤语者付出更多。反例是训练阶段的三重交互不显著，表明若只用训练数据无法得出声调特异结论，必须依赖测试阶段的受控干扰物设计。原文还报告训练进步的事后估计普通话组为负 1.59、粤语组为负 0.81，均显著，符号同样受编码影响，解读应以原文更大的进步对应普通话组的文字结论为准。

该结果的限制是交互的 p 值为 0.047，处于常规阈值边缘，复述时应如实报告为显著但边缘，并指出需要更大样本或预注册重复来验证稳定性，而不是当作极强效应来宣传。

错在哪里：T1 目标为何最难且偏向错选 T4？

为回答第二个研究问题，作者对声调最小对试次做两步追踪。第一步按目标声调分别比较。粤语组中目标为 T1 时的准确率显著低于目标为 T2 与 T4，普通话组中目标 T1 也略低于 T4 但总体接近天花板。这说明困难在声调内部是不对称的，而非 3 个声调同等难。

第二步解释 T1 困难的来源。作者取出目标为 T1 的错误试次子集，拟合仅含截距的混合模型，因变量为二值错误类型，选 T4 记为 1、选 T2 记为 0。结果截距显著，表明在 T1 目标试次出错时，更可能错选 T4 而非 T2。这种 T1-T4 混淆模式在普通话组不存在，对目标为 T2 与 T4 的同样分析也未发现其他显著结果。

机制对应是粤语者把普通话平声 T1 与降声 T4 都同化到粤语单个高平范畴，使两个词在知觉上变得相同，跨试次统计证据被混淆，无法建立一一对应的词物关联。这与英语者完全学不会声调最小对的既有发现形成对照：有声调母语不是带来泛泛优势，而是在特定映射点产生可预测的干扰。教学例子是把 T1 听成甲、T4 也听成甲，那么甲到底对应哪个物体就永远含糊，这只是帮助理解的例子，不代表原文测量了范畴标签过程。

哪些还不能说：边界、缺项与冲突如何处理？

首先是未评测边界。原文讨论明确指出未来工作应在同一人群内直接比较声调最小对与音段最小对的表现，以判断困难是否特异于超音段特征。当前设计只有声调最小对与非最小对，没有辅音或元音最小对，因此不能得出声调比音段更难的结论，只能说声调重叠带来了母语相关的额外代价。

其次是测量与报告缺项。被试层面只报告粤语组的普通话水平与音乐训练上限，未报告听力筛查细节、粤语声调能力基线或个体声调辨别分数与学习成绩的关联。刺激层面只说明时长与强度归一化而未给出具体算法与参数，统计层面未报告随机效应结构与完整方差成分。这些缺项不是技术错误，但在复现时必须按原文如实保留为未知，不自行填补。

再次是证据强度。测试交互 p 等于 0.047 为边缘显著，且 T1-T4 混淆分析基于错误子集，样本量小于全集，解读时用报告显示交互存在，用支持表达同化解释，用可能或待验证表达向真实词汇学习的推广。相关性不等于因果，错误偏向与同化理论一致但本实验未独立测量同化过程。

原文表头、图注与算术在本解读所用范围内未发现互相冲突，若后续核对发现被试数、试次数乘积或系数小数位不一致，应明确标注冲突而不自行调和。

要复现先做什么：材料、流程与分析清单

复现应先重建 9 个伪词与 9 个新奇物体的固定映射。伪词用 3 个基词乘 3 种首音节声调模式构成，末音节保持平声，录音后归一化时长与总体强度以孤立基频轮廓差异。视觉物体从新奇物体数据库挑选低熟悉度图片，每个词固定对应一图。为核对被试规模与条件，先整理下表，比较问题是样本与筛选是否达到原文的可比性，公平条件是沿用相同的年龄、音乐训练与普通话暴露上限，指标方向是控制混淆变量越严组间差异越可归因于声调系统。

表后说明如下。该配置的收益是两组人数相等且基本听觉与年龄条件一致，使组别乘试次类型交互更干净。代价是粤语组内部普通话水平仍有变异，原文用问卷与词汇测验记录但未将其作为协变量纳入主模型，复现时若加入协变量可能改变边缘显著交互的估计，应预先声明分析计划。未胜出项是原文未公开代码、模型或数据，资源状态为无可用绑定，因此只能按文字流程重写呈现脚本，不能声称已有官方实现可直接运行。

流程上先跑 288 试次四区组两选迫选训练，维持 8 比 1 共现偏向且全程无反馈，再跑 54 试次三选迫选测试并用拉丁方平衡位置。分析上先对训练首末区组拟合含区组、组别、试次类型及交互的混合模型，再对测试拟合组别、试次类型及交互的混合模型并做事后比较，最后对 T1 目标错误子集做截距模型检验 T4 偏向。所有分类预测变量采用偏差编码，试次为分析单位。

何时值得尝试：结论、适用条件与下一步验证

论文报告的结论是，有声调母语背景的学习者仍能通过统计学习获得新声调对比，但其成功受母语语音系统约束，表现为在普通话声调最小对上的不成比例困难，以及与向粤语单范畴同化一致的 T1-T4 系统性混淆。这澄清了既有英语者彻底失败的含义：非声调母语可能带来对基频对比的泛泛不敏感，而声调母语带来的是特定映射点的干扰，二者机制不同。

何时值得尝试跨情境范式取决于研究目标。若目标是检验特定语音对比是否构成学习瓶颈，且能构造声调最小对与音段可比的非最小对基线，该范式是合适的。若目标是比较声调与音段谁更难，则当前设计不充分，还需补上音段最小对条件并保持干扰物数量与猜测率一致。

还需补的验证包括独立测量粤语者对 T1-T4 的辨别与同化模式并与学习成绩关联，在更大样本中重复边缘交互，以及检验训练量延长或提供反馈是否能解除混淆。复述时应保留关键信息条件：无反馈、自定步速、强统计偏向、位置平衡与偏差编码，这些是结果成立的边界。对初学者最常见的误解是把有声调母语等同于学声调有优势，本文的特异性干扰证据恰好说明优势只存在于系统兼容时，不兼容处反而是可预测的劣势。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

另有 16 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 speechprosody-2026 论文汇总