焦点重音放在句首还是句尾：3 到 9 岁儿童如何从随机猜测走向成人式感知

英文题目：Development of Focal Accent Perception in 3- to 9-Year-Old Mandarin-Speaking Children: Evidence from Prosodic Continua

会议身份：conference:speechprosody:2026:conference-paper-id:zhang26g_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 #韵律 #语音 #语音属性识别

评分：5.2/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.6/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.4/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Sichen Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Aijun Li：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究处理普通话窄焦点在句首句中句末三处位置的听辨发展问题，输入为重合成的韵律连续统刺激，输出为焦点位置判断，难点在于词汇声调与焦点引起的基频变化在同一基频曲线上叠加，且3到9岁儿童注意与执行功能不稳定易引入变异。方法链首先录制五音节源语句并提取十点基频与韵母时长，在半音域做等距插值生成11步连续统，再经PSOLA重合成保留音段音质而替换整体韵律并协变时长。上一步输出的连续统进入行为施测，对儿童施测ABX韵律匹配、对成人施测三选一标识，最后用逻辑回归拟合反应曲线估计阈值斜率与交叉区并用广义加性混合模型检验年龄组差异。与仅操控焦点音节局部的范式不同，本研究坚持全句整体操控以保留焦点内音域扩张与焦点后压缩等关系性线索，更贴合汉语语调音系对焦点效应的描述。在端点焦点位置标识任务条件下，8;1以上儿童组的准确率为91.1%，低于成人对照组的准确率93.1%。曲线由3;1-4;6的平坦高变异经4;7-7;0中部渐陡发展至7;1后成人样S形，阈值与斜率在5;1-5;6后稳定而交叉区至7;1-8;0收窄，句末对比与有意义音节更早更稳。结论适用边界限于北京地区单语典型发育儿童的离线行为感知，尚未验证在线加工与跨方言外推，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://support.pstnet.com/ → https://support.pstnet.com/hc/en-us — 链接不可用（HTTP 403）
• 第三方资源：https://ggplot2.tidyverse.org — 链接可访问（HTTP 200） 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：要复述这篇论文必须先固定哪些事实？

这篇解读的输入是 2026 年言语韵律会议论文，标题研究 3 到 9 岁普通话儿童对焦点重音的感知发展，并以成人模式为成熟参照。目标读者是刚进入语音、音乐或音频领域的研究生，重点是能按原文复述方法、条件与证据强度，而不是复述结论口号。

必须保留的信息包括被试规模与年龄划分、五音节主谓宾载体句与无意义载体的设计、3 组位置对比与 5 种声调载体、11 步等半音连续统的合成方式、儿童强制选择甲乙丙匹配任务与成人标识任务的区别、逻辑回归与广义加性混合模型两种拟合的用途，以及 3 阶段发展划分所依赖的具体年龄边界。输出按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲构造与实验条件，最后讲结果、反证、复现与收束。

凡是教学用的举例都会明确标为例子，不把例子中的数字当作论文报告的数字。

普通话的语调研究把焦点重音和边界调看作联合塑造基频曲线的关键成分。白话说，焦点是说话人想让听者注意的新信息或被纠正的信息，焦点重音就是用声音把这部分托起来的手段。英文名是焦点对应 focus，焦点重音对应 focal accent。在声调语言中难点在于，同一个音高既要区分词义又要表达语用，因此儿童必须学会在保留声调轮廓的同时听出音域扩张与压缩的关系性线索。论文的起点正是这个矛盾：已有生产研究较多，感知研究多用自然句或图片验证与视觉世界范式，缺少用精细控制的韵律连续统来刻画 3 到 9 岁发展轨迹的工作。

理解这篇论文需要先接受一个方法前提。作者认为韵律焦点是关系性音系实体，汉语焦点重音在语音上体现为焦点域扩张、焦点后压缩与焦点前稳定。如果只操纵焦点音节本身，就会丢失前后域的相对关系，因此必须对整句基频轮廓做全局插值。这决定了后文刺激不是拼接或单点抬高，而是两条源轮廓之间在半音尺度上的等距插值，再用基音同步叠加法重新合成。初学者容易把这一步误解为简单的变调，实际上它是保留音质与频谱特性、只替换音高与时长轮廓的再合成。

相关路线有哪些：生产、语用理解与范畴感知各回答了什么？

第一条路线是焦点韵律的生产发展。原文引用了对宽焦点、窄焦点与对比焦点的韵律标记研究，追踪儿童如何用声音产出焦点。这条路线能说明儿童何时能说出区别，但不能直接说明何时能听出区别，因为产出涉及运动控制，感知涉及类别判断，二者成熟时间可以分离。本文不重复生产实验，而是把感知作为独立发展维度来测量。

第二条路线是利用韵律做语用解释。已有研究用句子图片验证任务考察 3 到 5 岁儿童依靠韵律还是句法信息判断焦点，用眼动视觉世界范式考察对比焦点的在线理解。原文总结为早期敏感但发展过程漫长。白话说，儿童很早就能注意到重音不一样，但要稳定地把重音映射到信息结构上需要多年。这为本文把年龄扩展到 9 岁并引入成人参照提供了理由：若只测到 5 岁，可能只看到起点而看不到趋稳。

第三条路线是成人语调的范畴感知范式。经典工作考察英语普通重音与强调重音是范畴性解释还是范畴性感知，汉语工作则用整句或局部操纵生成连续统，发现焦点韵律感知可以是范畴性的也可以是连续的，取决于操纵范围与焦点音节声调。本文继承的是这条路线的行为方法，但把它发展为儿童研究：首次用再合成韵律连续统系统考察不同句子位置的焦点重音感知，并以成人的标识数据为成熟模式。初学者要注意，同输入、同目标、同监督的对照才有意义，生产好不等于感知好，自然句理解好不等于对精细步进敏感，本文的贡献正在于补上精细步进这一块。

研究问题是什么：位置、声调与语义如何被拆成可测对比？

核心问题是 3 到 9 岁普通话儿童如何感知实现在不同句子位置的焦点重音，以及发展轨迹受哪些条件调节。作者把它拆成 3 个可操作的子问题。第一是位置对比：句首、句中、句尾两两配对，形成句首对句中、句首对句尾、句中对句尾 3 组对比，分别记为句首减句中、句首减句尾、句中减句尾。每 1 对的两个端点是同一载体句在不同窄焦点条件下的自然产出，中间步是插值。

第二是声调载体：焦点音节覆盖 4 个声调，其余音节固定为一声，另设全由咪音节组成的无意义载体，用以去掉音段语义信息，检验抽象韵律表征。第三是发展刻画：用端点识别正确率看基线分类能力，用整条连续统的识别曲线看类别边界的形成，再用年龄组两两比较看何时趋近成人。

举例说明，例子：假设载体句是花猫亲黑猪，句首焦点在花上，句中焦点在亲上，句尾焦点在猪上。儿童听到的不是 3 个孤立录音，而是在句首焦点轮廓与句中焦点轮廓之间均匀插入的 11 个版本，从第 1 步最像句首到第 11 步最像句中。任务是判断中间版本更像哪一端。这种设计把位置、声调与语义 3 个因素正交化：位置由连续统的两端决定，声调由焦点音节的调类决定，语义由有意义句还是无意义咪串决定。

需要固定的边界是，成人数据来自强制选择标识任务，儿童数据来自甲乙丙韵律匹配任务，二者任务不同，因此成人只能作发展参照，不能作直接统计对照。原文明确指出这一点，后文凡说接近成人，都是指曲线形状与参数范围趋近，而不是同一任务下的组间显著性消失。

方法全景如何走通：从一个样本看输入到输出的主路径

先沿一个样本走完主路径。输入是一个五音节主谓宾序列，结构为定语加名词作主语、动词、定语加名词作宾语，词汇选自儿童语料研究中的高频熟悉词，以降低认知负荷。录制由 1 名训练有素的女性母语者用儿童指向言语在隔音室完成，多次产出中由 3 位不同语言学背景的评分者按自然度与声学清晰度挑选最终 token。接着用语音分析软件提取每句 10 个等距点的基频与韵母时长，基频由赫兹转为半音以逼近听觉尺度。

然后对每种声调条件的每组位置对比，在半音尺度上把两条源轮廓等距插值为 11 步，并按 pilot 反馈协同变化韵母时长以提高自然度，强度归一到平均 70 分贝声压级，再把操纵后的音高与时长轮廓施加到宽焦点源句的音段上，用基音同步叠加法再合成，从而保留自然中性的音质与频谱，只实现目标韵律操纵。无意义载体则用一声条件的音高与时长连续统重新合成。输出是编号 1 到 11 的刺激，1 最接近前 1 位置，11 最接近后 1 位置。

儿童实验把抽象判断包装为宇航员与外星人的模仿游戏。红色与蓝色宇航员代表连续统两端甲与乙，绿色或黄色外星人代表探针，分别对应有意义与无意义载体。儿童要判断外星人在模仿哪位宇航员，即按感知到的焦点位置对探针分类。程序用实验呈现软件实现，包含结构化训练、确保理解的练习试次与正式测试。成人实验采用经典范畴感知范式，包含辨别与标识，但本文只分析标识数据，要求把单个刺激标为句首、句中或句尾重音，并加入填充试次与休息以维持注意。音频经扬声器播放以降低再合成不自然感的显著性，被试用外接键盘上颜色编码的按键作答。

下面示意图给出儿童实验的流程与试次结构，阅读时先看主路径再看分支如何汇合。

看图路径： 1. 先沿顶部时间轴看介绍、训练、练习、测试与结束的试次数量；2. 再看左侧训练分支如何分别呈现焦点韵律甲、乙及其成对对比；3. 最后看右侧测试试次中刺激甲、外星人探针与反应的呈现顺序

论文图 1。原论文 Figure 1：“Schematic overview of the experimental”。

上图是儿童甲乙丙任务的示意总览。可见顶部时间轴给出全程约 15 到 25 分钟，训练阶段分 2 阶段各 10 试次，练习块 5 试次，测试块 55 试次。左侧训练分支先单独呈现焦点韵律甲 5 试次与乙 5 试次，再呈现甲乙成对 5 对，帮助儿童建立两端类别。右侧测试分支按甲、外星人探针、乙的顺序呈现刺激甲、刺激乙与刺激丙，并在反应窗口记录选择，单个练习与测试试次约 10 到 130 秒。教学要点是，训练解决类别建立，练习解决规则理解，测试解决连续统归类，3 段分工不同，不能把训练试次的正确率当作感知发展的证据。

关键组件如何分工：声学、任务与统计各承担什么？

声学组件承担关系性线索的保真。焦点重音在音系上记为抬高高目标与压低低目标，在语音上实现为焦点域音域扩张， Tone1、Tone2、Tone4 抬高基频峰，Tone3 压低基频谷，顶部音域扩张最明显，同时焦点前基本完整、焦点后音域显著降低压缩。这种前后域协同正是全局操纵的理由：若只动焦点音节，顶线陡降这一定义性特征会被破坏。时长组件协同变化韵母长度，强度组件归一到平均水平，二者不作为焦点的主要线索，而是提高自然度的辅助手段。

任务组件承担把感知转化为可计分行为。儿童任务是强制选择甲乙丙韵律匹配，探针来自 11 步连续统，每人随机分到 6 个实验会话之一，即 3 组位置对比乘以两端呈现顺序。正式测试 55 试次来自 5 条韵律连续统，每试次呈现 1 次并伪随机排序。成人任务是强制选择标识，每条连续统 11 步各呈现 2 次并伪随机排序，每 8 试次插入填充，每 40 试次休息。两任务的监督来源都是端点类别，但儿童多了一层工作记忆与执行功能负荷：必须记住甲乙并与丙比较，因此低龄段的波动可能混合感知与任务能力，这是后文讨论明确提醒的。

统计组件承担从噪声中估计发展。端点正确率用二项分布逻辑连接的广义线性混合效应模型分析，被试作随机截距，用信息准则比较模型。整条曲线用二项逻辑回归拟合，估计阈限、斜率与交叉区。非线性与组间差异用广义加性混合模型分析，年龄组与韵律连续统作固定效应，被试作随机截距，在连接尺度上做两两双尾检验，并计算曲线差异显著比例。3 个工具分工不同：混合模型回答正确率是否随年龄与条件变化，逻辑回归回答边界位置与陡峭程度如何变化，加性混合模型回答整条曲线形状何时不再显著不同。

焦点 × 焦点重音： 焦点指句子中传递非预设或新信息的关系性信息结构范畴，负责区分已知与未知；焦点重音是汉语中标记窄焦点的韵律手段，分工是把抽象的信息结构落到可听的声音上，二者搭配的理由是仅有语用意图无法被听者直接感知，必须通过音高域扩张与压缩等声学实现来传递，组合后新增的作用是让听者能仅凭韵律判断被强调的是句首、句中还是句尾成分。

声调 × 语调： 声调指音节层面区分词义的音高模式，如普通话一声到四声，分工是保词汇身份；语调指句子层面表达焦点、边界等功能的整体音高组织，分工是保交际意图，二者搭配的理由是汉语中同一条基频曲线同时承载两者，必须在实现上协商，组合意义在于焦点重音通过抬高高目标与压低低目标来扩展音域，同时尽量保留底层声调轮廓，从而形成可测的声调与语调交互。

焦点前稳定 × 焦点后压缩： 焦点前稳定指焦点成分之前的音高模式基本保持不变，分工是提供参照基线；焦点后压缩指焦点之后成分音高域显著降低并压缩，分工是制造对比落差，二者搭配的理由是单看焦点音节本身的升高不足以唯一标识焦点，需要前后域的相对关系来确立，组合后新增的是从焦点音节到后焦点成分的顶线陡降，成为汉语焦点重音的定义性声学特征。

逻辑回归 × 广义加性混合模型： 逻辑回归在本研究中负责把刺激步数与二选一反应拟合成 S 形心理测量函数并估计阈限、斜率与交叉区，分工是给出可解释的类别边界参数；广义加性混合模型负责捕捉可能非线性的识别曲线形状并考虑被试随机截距，分工是检验任意两年龄组曲线在连接尺度上差异显著的比例，二者搭配的理由是单一参数模型可能漏掉局部非线性，而纯非参数比较又缺少边界含义，组合后既能量化发展阶段又能定位差异最集中的条件。

范畴感知 × 连续感知： 范畴感知指对连续变化的刺激给出中间陡、两端平的类别式判断，分工是检验听者是否建立了离散音系范畴；连续感知指反应随刺激渐变而渐变，分工是揭示听者仍依赖细粒度声学差异，二者搭配的理由是成人对焦点韵律的感知被报道为依操纵范围与声调而异，并非典型辅音式范畴感知，组合意义在于为儿童曲线提供参照：从平坦随机到中间更陡的 S 形，标志着从连续声学追踪向初步范畴化过渡。

初学者常见误解是把阈限、斜率与交叉区当作 3 个独立能力。实际上阈限是 50% 识别率对应的步数，表示边界位置；斜率是阈限处函数陡峭程度，表示变化速率；交叉区是 25% 到 75% 识别率之间的步数范围，表示模糊区宽度。三者从不同侧面描述同一条 S 形，阈限稳定不代表发展完成，还需斜率变陡与交叉区收窄同时出现。

有没有训练：本研究更新了什么参数、冻结了什么？

本研究没有训练神经网络，也没有更新任何模型权重，因此不存在优化器、梯度路径、学习率或早停等训练要素。必须明确说明这一点，避免把拟合心理测量函数误称为训练。实际计算过程分为 3 类。第一类是信号构造计算：基频赫兹转半音、两条源轮廓在半音尺度上的十等分插值、韵母时长的对应协同变化、强度归一与基音同步叠加重合成，所有参数来自声学测量与 pilot 反馈，不涉及学习。第二类是行为数据采集：儿童与成人按键反应与反应时，程序只记录不更新。

第 3 类是统计拟合：逻辑回归用最大似然估计阈限与斜率，混合效应与加性混合模型估计固定效应与随机截距，这些是事后推断而非在线学习，不存在冻结与解冻的网络层。

未报告的缺项也要指出具体位置。原文未给出半音转换公式的完整参数细节在正文可读文本中的基准频率取值，未给出时长协同变化的具体毫秒映射表，未给出逻辑回归的初始值与收敛判据，也未报告反应时的完整分布。这些缺失不是技术错误，但意味着第三方要逐毫秒复现刺激时长需要向作者索取脚本或重新做 pilot。不能从软件名称推定实现细节，例如不能因为用了某语音软件就默认用了某种插值核，实际用的是原文明确说明的等距半音插值加基音同步叠加。

对于研究生而言，可复述的动作是：拿到两条源轮廓后，先转半音，再等距生成 11 步，再把对应时长轮廓同步生成，最后施加到宽焦点音段上重合成。检验标准是第 1 步与第 11 步应分别接近两端自然产出，中间步应单调过渡，且音质保持自然中性。若中间步出现断裂或机械感，应回查时长协同是否缺失，而不是调大音量或换说话人。

实验条件是什么：被试、划分、指标与公平性如何保证？

被试按原文交代，儿童 145 名，男女大致均衡，年龄从 3 岁 4 个月余到 9 岁 2 个月余，平均约 5 岁 11 个月，分为 10 个年龄组用于施测与分析，其中 3 岁 1 个月到 7 岁 0 个月每半年一组，7 岁 1 个月到 8 岁 0 个月一组，8 岁 1 个月到 9 岁 2 个月一组，平均每年龄组每组位置对比贡献约 5 名儿童数据。成人 54 名，为儿童家长，年龄 27 到 44 岁，平均 36 岁 4 个月。所有被试居住在北京地区，无言语语言听力障碍报告，儿童为典型发育单语普通话者。设备为同一型号笔记本与扬声器播放，儿童与成人均用同一实验呈现软件与颜色编码按键，控制了呈现与反应通道的一致性，但任务范式本身不一致，这是跨年龄比较的主要限制。

协议上儿童每人只做一种位置对比的一种呈现顺序，共 6 个会话之一，测试 55 试次来自 5 条连续统。成人做标识任务，每条连续统 11 步各呈现 2 次。指标包括端点识别正确率、整条曲线的逻辑回归参数与加性混合模型曲线差异显著比例，以及讨论中提及但结果部分省略的反应时趋势。聚合对象是年龄组乘以声调载体乘以位置对比，统计用卡方检验报告主效应，用事后检验比较年龄组，用信息准则选模型。硬件预算与计算成本未报告，因为本研究不涉及大模型训练，成本主要在录音、标注与行为施测时间。

下面先看端点正确率随年龄的变化，这是判断基线分类能力是否建立的最直接窗口。

看图路径： 1. 先确认横轴为从低龄组到成人的年龄组、纵轴为端点识别正确率；2. 再区分六条端点曲线的颜色与线型所代表的句首句中句尾位置；3. 最后观察低龄段的大幅波动与高龄段向成人水平的收敛

论文图 3。原论文 Figure 3：“Identification accuracy for endpoint focal”。

上图是端点焦点位置识别正确率随年龄组的变化。每条曲线代表连续统一端的识别正确率，括号内为对比端。像素可见低龄段曲线起伏大，部分端点在 3 岁段接近机遇水平，随年龄总体上扬并在高龄段收敛到成人附近，但在 6 岁 7 个月到 7 岁 0 个月附近出现短暂回落。教学动作是先读横轴年龄顺序，再按颜色区分句首句中句尾端点，最后比较有意义载体与无意义载体在低龄段的分离程度，从而理解语义信息对基线任务的支撑作用。

为核对数量，先提出比较问题：在相同端点计分与相同任务下，正确率是否随年龄单调上升，声调与语义是否带来系统差异，指标方向是正确率越高越好。下表把原文报告的年龄组平均正确率与被试规模放在同一视图，表中数字全部来自原文连续句，单位为百分比与人数。

上表显示主要收益是随年龄总体上升，从 3 岁初的约五成到 8 岁后的 90% 以上，接近成人参照，但代价是进程非严格单调，4 岁初与 6 岁末出现回落，且儿童与成人任务不同，不能把最后 2 个百分点的差距直接解读为感知差距，也可能含任务差异。未胜出项是低龄段即使端点也接近猜测，说明基线类别尚未建立，后文曲线分析必须考虑这一点。被试规模上儿童 145 名、成人 54 名，性别分布在原文连续句中给出，为公平性提供了基本信息，但每年龄组每对比仅约 5 人的小样本是泛化限制。

主结果是什么：识别曲线如何从平坦走向 S 形？

主结果分 3 层。第一层是端点正确率的混合模型比较。最佳拟合模型包含 11 个年龄组与 5 种声调载体固定效应，信息准则值为 1468.1，加入不同位置对比端点作为额外固定效应未显著改善拟合。年龄组与载体条件主效应显著，事后检验显示年长组显著高于年幼组，儿童约 8 岁达到成人水平。声调与音段语义解释的方差大于位置对比，说明载体性质比单纯比哪两个位置更能预测基线正确率。

第二层是逻辑回归拟合的识别曲线。纵轴为判断为前 1 位置的概率，横轴为刺激步数 1 到 11。原文报告的发展是，最年幼的 3 岁 1 个月到 4 岁 6 个月曲线平坦多变，4 岁 7 个月到 7 岁 0 个月中部比两端更陡，7 岁 1 个月后呈成人式 S 形。但条件调节明显：涉及句尾焦点的两组对比与有意义载体发展更早更一致，句首对句中与无意义载体延迟且不一致，无意义载体即使在最年长儿童仍偏向句首反应且个体差异大。参数上阈限在 5 岁 1 个月到 5 岁 6 个月后偶发突变后趋稳，斜率在该年龄后接近成人，交叉区在该年龄附近骤降并在 7 岁 1 个月到 8 岁 0 个月进入成人范围。

下面看逻辑回归曲线的全貌，重点不是读出每条曲线的精确数值，而是确认平坦到 S 形的转变在哪些行列最先出现。

看图路径： 1. 先按行区分句首对句中、句首对句尾、句中对句尾三组对比；2. 再按列区分无意义音节与一声到四声五种载体条件；3. 最后沿刺激步数从 1 到 11 看各年龄颜色曲线由平坦转向 S 形的程度

论文图 2。原论文 Figure 2：“Identification curves fitted with logistic”。

上图按三行位置对比与五列载体组织识别曲线，横轴为刺激步数，纵轴为前 1 位置判断概率，不同颜色代表不同年龄组与成人。像素可见首行句首对句中在无意义与三声列的低龄曲线多为平坦或反向，中行句首对句尾与末行句中对句尾在有意义载体列的高龄与成人曲线呈明显下降 S 形，而无意义列的年长儿童曲线仍较平或偏高。教学动作是先固定一行比较五列，判断语义与声调的影响，再固定一列比较三行，判断位置对比难度，最后沿颜色从低龄到成人追踪斜率变陡与交叉区收窄。像素不能精确辨别的阈限步数不要硬写，以原文的参数文字描述为准。

为保留可运行的数字比较，提出问题：在相同 11 步计分与相同曲线拟合下，哪些条件最先出现成人式陡峭，哪类载体最难。下表整理连续统构造与施测量的关键配置，数字来自原文连续句，方向是步数与试次越多分辨率越高但负担越重。

上表的主要收益是构造统一，3 个位置对比与 5 种载体共享 11 步等半音与 55 试次框架，保证了跨条件可比。具体代价是每年龄组每对比仅约 5 人，细分到声调载体后样本更薄，因此三声与无意义条件的大波动可能同时反映发展滞后与抽样噪声。未评测边界是只用一声的音高时长连续统合成无意义载体，未系统考察所有声调的抽象表征，这是原文讨论明确留给未来的缺口。

哪些条件最难：加性模型的两两比较揭示了什么边界？

如果把不同载体与位置对比看作消融式比较，论文实际做了两类特有细节。第一类是声调载体的分离。涉及句尾的对比在有意义条件下更早出现系统下降，而句首对句中在无意义与四声条件下差异最零散。这支持声调与语调交互的解释：焦点音节调类改变峰谷实现方式，从而改变边界可听度。第二类是语义信息的分离。无意义咪串去掉音段语义后，低龄与年长儿童都更不稳定，甚至最年长组仍偏向句首，说明抽象韵律表征的提取晚于有语义支撑的识别，不能把有意义句的好成绩直接推广为抽象韵律能力。

加性混合模型把上述印象量化为年龄组两两曲线差异显著比例。原文报告，最年幼的 3 岁 1 个月到 4 岁 0 个月与年长组差异最普遍，尤其在无意义与四声连续统。4 岁 1 个月到 5 岁 6 个月与年长组呈零散差异且随年龄递减。5 岁 7 个月到 6 岁 0 个月到 8 岁后是关键过渡，与年幼差异减小但尚未稳定成人式表现。值得注意的是，句首对句尾对比中多数年龄组仍与成人显著不同，说明即使端点正确率接近成人，整条曲线的形状仍未完全等同。

下面矩阵把两两比较的显著比例可视化，阅读时先看整体深浅再看成人列。

看图路径： 1. 先确认行块对应三种位置对比、列块对应五种载体条件；2. 再看矩阵横纵轴均为年龄组两两比较、颜色深浅为差异显著比例；3. 最后比较最底行的成人列深色集中与左上低龄块的零散差异

论文图 4。原论文 Figure 4：“Proportion of significant differences in”。

上图是各年龄组两两识别曲线差异显著比例矩阵，行块为位置对比，列块为载体条件，横纵轴为年龄组，颜色越深表示差异显著比例越高，底部标尺从 0 到 1。像素可见首行块的无意义列在低龄与年长交叉处有零散深色，中行与末行块的底行成人行呈连续深色带，表明儿童多数年龄组与成人曲线仍有显著段。教学动作是先沿底行找成人列的深色集中，再沿对角线附近看相邻年龄差异的递减，最后比较无意义列与有意义列的深浅分布，从而定位最难的条件。像素过小处的具体比例数值不要硬读，以原文的阶段文字为准。

为保留统计证据，提出问题：在相同被试随机截距与相同固定效应结构下，年龄与载体是否显著，信息准则支持哪个模型。下表集中呈现模型比较与显著性数字，单位与自由度保留原文写法。

上表支持年龄与载体共同调节发展的判断，年龄效应量大且高度显著，载体效应显著但相对较小。代价是端点类型未带来额外解释力，说明位置标签本身不如年龄与载体重要。反例是信息准则值单一，原文未给出次优模型的完整准则差，无法判断领先幅度。限制是成人与儿童任务不同，加性模型的成人列差异可能混合任务差异，不能单独解读为感知不成熟。

限制在哪里：哪些推论不能从现有证据得出？

第一个限制是任务不可比。儿童做甲乙丙匹配，成人做标识，成人数据只能作发展参照而非直接统计对照。原文明确说明这一点，因此凡说 7 岁后稳定趋近成人，应理解为曲线形状与参数范围趋近，仍与成人有显著段，不能说已等同成人。第二个限制是样本厚度。每年龄组每对比平均约 5 人，细分到 5 种载体后更薄，低龄段的高变异与个别年龄点的回落可能含抽样噪声，增大样本才能提高泛化。

第 3 个限制是载体覆盖不全。无意义载体只用一声的音高时长连续统重合成，未覆盖所有声调的抽象表征，无法完整解开词汇与后词汇韵律习得的交互。

第 4 个限制是测量维度。结果部分省略了反应时分布，只在讨论中说反应时呈超长、快速加速、成人式的同构趋势，未给出均值与分布，无法验证速度与准确性的权衡。原文也提醒低龄表现可能是韵律感知、执行功能与持续注意的交互结果，当前行为数据不能分离三者。在线眼动与脑电等实时神经认知测量缺失，因此不能从离线按键推断在线加工的时间进程。相关性不等于因果，正确率随年龄上升不能直接归因于某一声学线索的获得，还需操纵特定线索的对照实验。

资源可达性方面，论文引用了语音分析软件、实验呈现软件与绘图包。本次收到的官方资源状态显示，实验呈现软件支持链接当前不可用，状态为禁止访问，写作中不能称其已公开可达；绘图包链接当前可用，状态正常。这一区分只关乎链接可达，不影响对方法本身的复述。

复现先做什么：按原文重走需要哪些具体动作？

第一步重走载体与录制。按五音节主谓宾结构准备高频熟悉词句，焦点音节覆盖四声、其余音节固定一声，另准备全咪音节无意义载体。请女性母语者用儿童指向言语在隔音室录制窄焦点在句首、句中、句尾与宽焦点 4 种韵律，由 3 位不同背景评分者按自然度与清晰度挑选 token。保留录音采样率、话筒距离与响度校准记录，以便他人核对强度归一到平均 70 分贝声压级的操作。

第二步重走连续统。用软件提取 10 个等距点基频与韵母时长，转为半音后在两条源轮廓间等距插值 11 步，按 pilot 反馈协同调整时长，再施加到宽焦点音段上用基音同步叠加法重合成。无意义载体用一声连续统重合成。质检标准是第 1 步与第 11 步分别接近两端源韵律，中间单调过渡，音质自然中性，经扬声器试听不刺耳。每组位置对比生成 5 条连续统，编号 1 为前 1 位置，11 为后 1 位置。

第三步重走施测与分析。儿童端用甲乙丙匹配，随机分到 3 对比乘以两顺序的 6 会话之一，训练加练习确保理解规则，正式 55 试次伪随机呈现 1 次。成人端用标识任务，每步呈现 2 次，加填充与休息。分析先算端点正确率并用二项混合模型检验年龄与载体主效应，再用二项逻辑回归拟合整条曲线估计阈限、斜率与交叉区，最后用加性混合模型做年龄两两曲线比较并计算显著比例。

复现时固定年龄分组边界与载体标签，保留信息准则值与卡方自由度，以便与原文的 1468.1、81.44 与 14.06 直接对表。还需补做的验证是增大每组样本、补全各声调的无意义连续统，并同步记录反应时分布与在线眼动，以分离感知与任务负荷。

何时值得尝试：三阶段轨迹对研究与实践意味着什么？

综合直接报告与有限解释，可复述的 3 阶段是：3 岁 1 个月到 5 岁 0 个月为初始阶段，反应随机多变，曲线平坦，置信区间宽，与年长组差异广泛；5 岁 1 个月到 7 岁 0 个月为建构阶段，曲线出现系统下降，向成人模式加速发展，阈限偶发突变后趋稳，斜率接近成人，交叉区骤降；7 岁 1 个月到 8 岁 1 个月后为优化阶段，交叉区收窄到成人范围，曲线稳定收敛但仍与成人有差异，端点正确率在 8 岁左右达成人水平。这一划分得到正确率、逻辑回归参数与加性模型比较的三方支持，但总体趋势不等于每组每步都成立，个别年龄点的回落提醒不要做单调外推。

何时值得尝试这种全局连续统方法。当研究问题涉及关系性韵律范畴，且怀疑单点操纵会破坏前后域对比时，整句插值是合适的选择。当目标是刻画类别边界的形成而非仅报告正确率时，11 步等半音加逻辑回归与加性模型的组合能同时给出边界位置、陡峭度与形状差异。当被试是低龄儿童时，甲乙丙匹配加卡通视听支架能降低规则理解门槛，但必须预留执行功能与注意的混杂解释，并在讨论中明确成人参照的任务差异。

还需补的验证包括跨声调的抽象表征全覆盖、大样本泛化、反应时完整报告，以及眼动与脑电的在线证据。区分代码开源、权重下载与系统可运行在本研究中体现为：无模型权重可下载，可运行的是刺激合成脚本、施测程序与分析代码的组合，复现价值取决于这些脚本是否公开与参数是否完整。对于刚入门的研究生，最可迁移的不是 3 阶段的年龄数字本身，而是把位置、声调与语义正交化、用端点正确率打底、用整条曲线定边界、用两两显著比例定位难点的分析链条。

📐 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 10 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