语速走认知、音高走情感：27 段微格教学的双通道声音映射

英文题目：Dual Routes of Vocal Influence on Microteaching Evaluations: Speech Rate for Cognition, Pitch for Affect in Pre-Service Teacher Training

会议身份：conference:speechprosody:2026:conference-paper-id:shirasaka26_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：#教育 #统计分析 #韵律 #语音属性识别

评分：4.7/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 0.6/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Shota Shirasaka：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为27名日语职前教师3分钟模拟授课音频与729人次9维度同伴评分，输出为声学特征到教学评价维度的映射关系与参考区间，难点在于整体印象评分掩盖了认知加工与情感信号通道的差异化作用。方法链分三步：先采集模拟授课视频并同步获取同伴多维评价以建立课程级配对样本，再用Parselmouth客观提取基音均值等8维韵律与音质特征，前步得到的评分均值与特征分布直接构成相关检验的输入，最后以课程平均分为单元做斯皮尔曼等级相关与二次回归及性别分层区间估计以识别最优声学区间。与既往整体评分关联研究的关键机制差异在于按认知与社会情感功能拆分评价维度，分别检验语速的认知负荷路径与基音均值的副语言情感路径，因而可给出针对性发声训练反馈。在27门课程平均分评测设置下，语速与内容清晰度的斯皮尔曼相关系数指标为0.558，高于语速与总体评分的斯皮尔曼相关系数指标0.521。结论适用边界受限于日语俯仰重音语境与27门课程探索性设计，15个名义显著关联经Benjamini-Hochberg错误发现率校正后最小q值为0.158，均未通过阈值，尚待大样本与因果验证。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，目标是什么，本文交付什么？

本文的输入是 27 名日本职前教师每人一段约 3 分钟的短学活模拟授课录像及其转出的音频，目标是回答声音的哪些客观量影响教学评价的哪些具体方面。作者不满足于总体印象分，而是把评价拆成 9 个条目，覆盖声音清晰度、语速、面部表情、观众意识、手势丰富度、板书清晰度、提问有效性、内容清晰度与总体评价。输出不是自动评分器，而是一张声学特征到评价维度的映射表，外加语速、强度与分性别基频的探索性参考区间。

对刚入门的研究生，关键约束要先立住。本研究没有训练神经网络，没有做因果干预，没有跨课堂追踪学习成绩，它做的是以授课为分析单元的相关映射。每个授课的声学值与 27 名评分者平均后的同伴评分做等级相关，样本量是 27。作者明确报告 15 个名义显著相关经错误发现率校正后无一通过，因此所有区间都只能当作待复制的反馈指南。资源状态方面，本次没有发现来源绑定且完成超文本传输安全协议状态验证的资源，不得声称代码模型或数据已公开。

微格教学 × 薄片判断： 微格教学负责提供短时可重复可反馈的教学模拟容器，薄片判断负责说明观察者能从数秒至数分钟行为样本形成稳定教学印象，二者搭配的理由是 3 分钟短学活课程既满足师范训练的可操作性，又保留了足以被同伴感知的声音与教态差异，组合后新增的作用是让 729 人次评分的聚合值可以作为被试间比较的效标，而不只是课堂轶事。

已有路线把声音和教学效果连在何处？

第一条路线是薄片判断与教学评价。已有元分析与教师评价研究显示，观察者从 6 秒到 30 秒的短视频片段即可形成与期末评价相关的判断。这条路线支持用短时微格教学做评价，但它本身不回答是音高、语速还是音质在起作用。本文的推进是把整体印象拆成认知加工与社会情感两类功能，再分别检验声学量的选择性关联。

第二条路线是教育场景中的韵律感知。原文回顾了音高影响评价与学习结果、第二语言口音判断中音高范围与重音的作用，以及职前教师在教学时语速下降而基频与强度上升的观察。这些结果提示两条通路可能并存：语速与停顿影响信息可加工性，音高与强度影响投入与亲和。课堂活动类型、手势与语速的协同也被提到，说明声音不是孤立变量。

第三条路线是理论框架。认知负荷理论强调语速与强度通过加工时间与可听度影响学习，过快压缩整合时间，过慢增加维持负担。副语言交际理论与声音情感透镜模型强调基频动态传递情感与人际温暖。作者据此提出可检验的预期：语速与强度应更关联内容相关维度，基频相关量应更关联表情与投入等人际维度。本文的贡献正在于用日语 pitch-accent 体系检验这一预期是否超出重音语言的已有结论。

要解决的具体问题与三个可检验问题是什么？

具体问题是师范训练缺少按维度给声音反馈的证据。现有微格教学评价多依赖主观量表，教师只知道总体分不高，却不知道是讲快了、太轻了，还是音高太平导致显得疏离。作者把问题操作化为 3 个问题。第一，声音特征是否对教学的不同方面有选择性关联。第二，是否呈现理论预期的领域特异性，即语速与强度走认知维度，音高变化走社会情感维度。第三，日语教学中有效的声学范围大致落在何处。

为避免把教学法层面的三分与心理机制层面的二分混淆，原文做了明确区分。评价工具的组织 rubric 是声音域、投入域与内容域，面部表情被放在声音域是因为声音韵律与面部情感被视为整合的多模态信号。而理论分析另用功能分类：认知加工类包括内容清晰度与提问有效性，社会情感信号类包括面部表情与观众意识。同一条目可以跨越两种划分，解读时要先确认用的是哪套标签。举例来说，内容清晰度在 rubric 中属于内容域，在机制解释中属于认知通道，两个身份并不矛盾。

从一段录像到一张映射表：全流程如何串起？

先沿一个样本走完全程。1 名三年级职前教师讲一段 3 分钟短学活，全班 27 人通过在线学习平台观看全部 27 段录像并含自评，共产生 729 人次评分。每段录像转成 16 千赫兹音频，用语音分析工具提取 8 个声学量，再与该授课聚合后的 9 个维度均分做等级相关，得到 72 个声学与评价配对。最后用 2 次回归、分性别四分位与混合效应模型找参考区间，并用错误发现率校正评估多重比较风险。

全流程的方法全景可以分成四块。被试与任务保证语言与场景一致，均为日语母语职前教师的同一种短学活任务。评价协议保证多评分者聚合的稳定性，组内相关系数达到 0.942。声学提取保证客观可重复，避免主观韵律打分不可靠的问题。统计分析保证探索与稳健性并重，既报告名义显著的模式，也报告校正后无一通过的限制。理解这四块的先后依赖，后面读到语速效应大而校正不显著时就不会误判为矛盾。

8 个声学量各自分工什么，为何这样选？

5 个韵律量负责可感知的 delivery。平均基频是音高水平，基频标准差是音高起伏，平均强度是响度，强度范围是动态变化，语速是发音 tempo。3 个音质指标负责声门稳定性与清晰度：局部抖动是频率稳定度，局部闪烁是振幅稳定度，谐噪比是周期成分相对噪声的清晰度。工具链是视频转音频后用 Parselmouth 调用 Praat 逻辑实现，采样率固定为 16 千赫兹。

选择这 8 个量有日语依据。日语是音高重音语言，词内高低型组织成韵律短语，语速计量要考虑 mora 节拍，特征集与日语语调标注框架的语言学维度对齐。作者还说明语速换算关系，3.6 至 3.8 音节每秒对应 7.2 至 7.6 mora 每秒，低于自然学术口语基线，这为教学语速应刻意放慢的解释留下接口。音质指标的加入则是为了检验同伴评的声音清晰度是否真的来自声学扰动，还是来自教学层面的可理解性。

语速 × 认知负荷理论： 语速负责控制单位时间内信息密度与听者可用的加工时间，认知负荷理论负责解释为何过快会挤占语义整合资源而过慢会拖长保持负担，二者搭配的理由是把可测的发音 tempo 直接对应到内容清晰与提问有效等认知维度的加工条件，组合后新增的作用是为语速 3.6 至 3.8 音节每秒这一偏慢参考带提供机制解释，而不是只报告相关系数。

平均基频 × 副语言交际理论： 平均基频负责表征音高水平与热情可接近性的听感线索，副语言交际理论负责解释声音如何作为社会情感信号被解码为投入与温暖，二者搭配的理由是把音高从发音生理量转写为表情与观众意识等社会情感判断的远端线索，组合后新增的作用是说明为何基频与面部表情评价同步变化并被视为多模态整合信号。

本研究训练了什么，没有训练什么？

本研究没有训练声学模型、评分模型或神经网络，也没有更新任何参数与梯度。真实计算过程是 3 类统计拟合。第一类是 72 对斯皮尔曼等级相关，给出相关系数、显著性与效应量。第二类是为找最优带做的 2 次回归、分性别高分组四分位区间与控制性别的混合效应模型。第 3 类是跨 72 个检验的错误发现率校正。软件环境为 Python 与 R 的混合效应包，相关用等级方法以降低异常值与非线性单调关系的影响。

名义显著 × 错误发现率校正： 名义显著负责标记在单次检验中达到显著性阈值的候选关联，错误发现率校正负责控制 72 次同时检验带来的假发现比例，二者搭配的理由是探索性映射必须先用宽网捕捉模式再用校正评估模式的稳健性，组合后新增的作用是把 15 个显著相关统一判为待复制的探索性发现，避免把最小校正值 0.158 的结果误读为确证性结论。

复述时要守住两个边界。第一，分析单元是授课而非单次评分，声学值是整段 3 分钟的聚合，评价是 27 人平均，因此自由度由 27 决定，功效有限。第二，报告阈值是名义显著性水平 0.05，校正阈值是 0.10，最小校正值是 0.158，所以 15 个显著只是候选模式。凡是把名义显著直接说成证实有效，或把参考带说成达标线，都超出了原文证据。

被试、评价工具与数据分布条件是什么？

被试是日本某私立大学教师教育项目三年级本科生 27 人，其中男生 15 人、女生 12 人，课程为 2024 年秋季的特别活动与综合学习时间。每人讲一段 3 分钟模拟短学活，全部录像经在线平台互评，每人评全部 27 段含自评，共 729 人次评价。研究经机构伦理批准并取得知情同意。任务单一的好处是控制了内容类型与时长差异，代价是向有经验教师与真实课堂的推广受限。

评价工具是 9 条目 5 点量表，声音域含声音清晰度、语速与面部表情，投入域含观众意识、手势丰富度与板书清晰度，内容域含提问有效性、内容清晰度与总体评价。工具的组内相关系数为 0.942，内部一致性系数为 0.916，说明多评分者聚合稳定，但稳定不等于效度，也不等于因果。声学分布上，教师间差异明显，基频跨度大，语速与强度分布相对集中，评价均值靠近量表中点且有中等变异，具备做被试间相关的基本条件。

以下分布图先建立数据条件的直观，再读相关矩阵才不会把效应量误认为样本量很大。图前需要确认的是三块面板分别为平均基频、语速与强度，菱形为均值，红线为中位数，灰点为个体教师，剩余特征因无显著关联未在此图展示。

看图路径： 1. 先看图例中菱形均值、红色中线与灰色个体点的分工；2. 再对比基频箱体上下拉长与语速箱体收窄的分布形态；3. 最后观察强度高值端堆积与低值端拖尾的不对称

论文图 1。原论文 Figure 1：“Distribution of acoustic features with significant asso- ciations (n = 27). Diamonds = means; dots = individual teach- ers. Remaining features showed no significant correlations.”。

从像素可见，左侧基频箱体较长且中位数低于均值，提示高音端有上拉个体，与男女混合样本的结构一致。中间语速箱体较窄，均值与中位数接近，说明大部分教师集中在 3.5 至 3.9 音节每秒附近。右侧强度在高值端堆积而低值端拖出长尾，提示少数过轻样本可能拉低听感。这幅图只讲分布离散与偏态，不讲任何评价关系，评价关系要到热图与相关表再确认。

哪 15 对显著，语速与音高各自指向哪里？

先看声学描述统计的原表，它固定了后面所有效应量的分母与单位。比较问题是不同声学量的量级与离散是否可比，公平条件是同一样本量 27 与同一段级聚合，指标方向是均值看位置、标准差与极值看离散。表中基频、语速与强度的单位分别为赫兹、音节每秒与分贝，音质指标为抖动闪烁与谐噪比，评价条目均值在 2.99 至 3.01 附近。

表后解释要抓住两点。主要信息是教师间确有可利用的差异，基频标准差与极差大，语速标准差小但仍覆盖 3.27 至 4.26，强度覆盖 59.55 至 69.30。代价是样本小导致任何相关都不稳，且评价均值贴近中点可能压缩区分度。未胜出项同样重要：基频标准差、强度范围与 3 个音质指标在此没有进入显著名单，不能因为它们在嗓音临床中有意义就默认在教学评价中同样重要。

相关结果的导读如下。热图横轴为 9 个评价条目，纵轴为 8 个声学特征，颜色深浅为等级相关系数，星号为名义显著。重点不是数星星，而是看行模式：语速行是否横跨多列，平均基频行是否集中在表情与观众意识等列，音质行是否整体偏浅。

看图路径： 1. 先沿横轴确认 9 个评价维度从声音清晰到总体评价的顺序；2. 再沿纵轴定位语速行与平均基频行的深色集中位置；3. 最后核对星号只出现在部分格子而抖动闪烁与谐噪比行偏浅

论文图 2。原论文 Figure 2：“Correlation heatmap of 8 acoustic features × 9 evalu- ation dimensions.”。

从像素可见，语速行出现一串深色显著格，覆盖语速评价、面部表情、观众意识、手势丰富度、提问有效性、内容清晰度与总体评价，而声音清晰度与板书清晰度格偏浅且无星号。平均基频与平均强度在首行附近的深色需要结合正文数字确认，因为热图顶部裁切后像素辨别有限。抖动闪烁与谐噪比多为浅色，支持音质短期干预优先级不高的判断。这张图支持双通道的初步印象，但星号只是名义显著，稳健性要看校正与效应量。

核心数字按原文报告。72 对中 15 对名义显著，占 20.8%，全部效应量达到大效应阈值。最强的是语速与内容清晰度、语速与总体评价，其次是平均基频与面部表情、平均基频与总体评价。语速共占 7 个显著对，既含内容清晰度、总体评价与语速评价等认知与整体印象，也含面部表情与观众意识等社会情感条目。平均基频共占 6 个显著对，最强在面部表情、总体评价与观众意识，同时跨到内容清晰度与提问有效性。

平均强度占 2 个显著对，分别关联观众意识与总体评价，并在 2 次回归中呈现倒 U 形。声音清晰度评价与所有声学量均无显著相关，提示同伴理解的声音清晰更多是教学可理解性，而非声学扰动指标。

最优区间数字是多少，形状与边界是什么？

本节把参考带当作可复述的数字表来处理，而不是当作达标线。比较问题是不同声学量应按单调越高越好还是按区间最优来给反馈，公平条件是同一 27 段样本与同一聚合评分，指标方向是评价分越高越好。表中同时保留单调关系、倒 U 关系与分性别区间的不同形状，避免把所有建议都写成越高越好。

表后解释要同时给收益与代价。收益是反馈可以分域进行：内容讲不清先看语速是否偏离 3.6 至 3.8，整体显得吃力先看强度是否落在 64 至 68 分贝，亲和不足再按性别看基频是否落在对应高分组区间。代价有三。第一，语速在观测范围内是正单调，不能外推为越慢越好之外的越快越好，超出 3.27 至 4.26 的区间无证据。第二，强度倒 U 的增量解释力为 0.214，显著但样本小，窗口窄意味着录音距离与教室混响稍变就可能偏移。

第三，分性别基频基于上四分位的极小子样本，男 4 人女 3 人，只能说高分组长什么样，不能说调到该区间就能提高评分。未胜出项是音质指标与声音清晰度评价的脱节，这反而提醒训练应优先保嗓与可理解性，而非短期压抖动闪烁数值。

哪些对照削弱了简单解释，反证在哪里？

第一个反证是多重比较。72 个检验中出现 15 个名义显著并不难，校正后最小值为 0.158，全部未通过 0.10 阈值。这意味着若把每个显著都当作独立发现，假发现风险不可忽略。作者的处理是保留效应量排序但统一降级为探索性，这是初学者应模仿的写法：先给模式，再给不确定性。

第二个反证是性别与音高的纠缠。女声平均基频更高且平均评分更高，直觉会把音高效应归为性别偏好。但加入性别的回归只增加 0.01 的解释量，而声学特征本身解释 0.134，说明有效性更多来自性别内部的合适区间，而非跨性别的越高越好。若忽略分性别区间，就会得出女教师天然占优的粗糙结论。

第 3 个反证是声音清晰度评价的落空。抖动、闪烁与谐噪比这些客观音质指标与主观声音清晰度无显著关联，相关绝对值范围小且显著性均未通过。这不支持用嗓音扰动值直接预测课堂听感，支持评价者更看重语义可加工性。论文特有的第二个细节是强度既有线性显著又有 2 次最优，说明只看线性相关会漏掉过响的惩罚。另一个特有细节是语速与手势丰富度的同步，提示声音与身体动作存在多模态协同，单改语速可能不够。

统计、样本与因果的三类限制是什么？

统计限制是首要的。72 对无预注册假设的系统映射在 27 个样本上功效不足，大效应量也可能不稳定。作者同时报告名义显著性水平、效应量与校正值，没有隐藏校正失败，这是可核对写作的正面例子。读者复述时必须用报告显示探索模式，用支持表达与理论一致，用可能或待验证表达最优区间的推广。

样本与任务限制是明确的。被试是职前教师而非有经验教师，任务是 3 分钟模拟短学活而非真实课堂的完整课时，评价者是同伴而非中小学生。录音条件、教室声学与麦克风距离都会影响强度分贝的绝对值，因此 66 分贝更多是本批录制链路下的相对位置，不宜当作跨教室的物理标准。

因果与语言限制同样不能跳过。相关设计无法排除自信度与准备度等第三变量同时影响声音与评分。日语是音高重音语言，词汇高低型与短语语调交织，结论能否推广到重音语言需要跨语言复制。原文没有测量误判率、延迟、成本与长期学习增益，因此不能承诺按参考带训练一定提升成绩或节省时间。

要复现这张映射表，先做什么与如何对齐？

先复制任务与聚合口径。每位教师一段 3 分钟同类微格教学，全部被试互评全部授课并含自评，分析单元固定为授课而非单次打分。评价用同样的 9 条目 5 点量表，至少报告组内相关系数与内部一致性，确认聚合稳定后再做相关。音频统一转 16 千赫兹，用同一套 8 特征定义提取，避免用主观韵律分替代客观量。

再对齐统计与报告。72 对全部用等级相关并同时报告相关系数、显著性与效应量，不只挑显著写。最优带分别用 2 次回归检验倒 U、用高分组四分位给分性别基频区间、用混合效应控制性别，最后做跨全部检验的错误发现率校正。单位要完整保留：基频赫兹、语速音节每秒与 mora 每秒换算、强度分贝。数值精度不四舍五入，20.8% 不写成约五分之一用于计算。

还需补的验证至少三项。第一，增大样本并预注册主假设，把语速到认知维度与基频到情感维度的预期写在前面。第二，固定录音距离与校准流程后再谈强度绝对值，或改用相对响度与动态范围。第三，加入学生理解测验与课堂行为指标，检验评价分提高是否伴随可测的学习收益。若做干预，应随机分配语速与音量反馈条件，才能从相关走向因果。

何时值得尝试这套分域反馈，何时不值得？

当师范课程已有微格教学与同伴互评，但反馈停留在讲得不错或声音小了这类笼统评语时，这套映射值得一试。它的价值不在给出硬阈值，而在把改进动作分流：内容不清先查语速与停顿是否给足加工时间，互动冷淡先查音高变化与音量是否传递投入，嗓音疲劳则先做嗓音卫生而非纠结抖动数值。3.6 至 3.8 音节每秒、64 至 68 分贝与分性别基频区间可以印在反馈表上作为观察起点，但必须注明来自小样本探索。

当课堂是真实长课时、学生是中小学生、教室混响与扩声差异大，或目标是提升考试成绩时，不值得直接套用。本文没有在这些条件下验证，也没有证明调音就能提分。更稳妥的用法是先在本地复测分布，再看语速行与基频行是否复现同样的行模式，最后才谈个性化目标。记住顺序：先复制分布，再复制相关模式，最后才讨论区间，任何把顺序倒置为先定区间再找证据的做法都违背了本文的统计结论。

📐 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 47 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