Lösungen zu Übung 4

Daten & Packages laden

Laden Sie die folgenden Packages und Data Frames:

library(tidyverse)
library(gridExtra)
urla = "https://www.phonetik.uni-muenchen.de/studium_lehre/"
urlb = "lehrmaterialien/R_speech_processing/Rdf"
url = paste0(urla, urlb)
clara = read.table(file.path(url, "clara.txt"), stringsAsFactors = T)
preasp = read.table(file.path(url, "preasp.txt"), stringsAsFactors = T)
vdata = read.table(file.path(url, "vdata.txt"), stringsAsFactors = T)
asp = read.table(file.path(url, "asp.df.txt"), stringsAsFactors = T)
glottal = read.table(file.path(url, "glottal.txt"), stringsAsFactors = T)
dg = read.table(file.path(url, "dg.txt"), stringsAsFactors = T)
franken = read.table(file.path(url, "franken.txt"), stringsAsFactors = T)
h.df = read.table(file.path(url, "hruch.txt"), stringsAsFactors = T)
geraet = read.table(file.path(url, "ger.df.txt"), stringsAsFactors = T)

• Q1: Zeigen Sie durch einen Barplot im Data Frame asp, inwiefern der Konsonantentyp (C) von der Betonung (Stress) beeinflusst wird. Auf der x-Achse soll die Betonung angezeigt werden, die Füllfarbe der Balken soll sich nach dem Konsonantentyp richten. Die Balken sollen Proportionen anzeigen. Die Beschriftung der y-Achse soll “Proportion” sein.

asp %>% 
  ggplot() +
  aes(x = Stress, fill = C) +
  geom_bar(position = "fill") +
  ylab("Proportion")

• Q2: Zeigen Sie mit einer Abbildung inwiefern F2 von der Versuchsperson (Subj) im Data Frame vdata beeinflusst wird. Fügen Sie Ihrem Plot außerdem noch eine horizontale Linie bei F2 = 1500 Hz hinzu.

vdata %>%
  ggplot() +
  aes(y = F2, x = Subj) +
  geom_boxplot() +
  geom_hline(yintercept = 1500)

• Q3: Für den Data Frame preasp prüfen Sie mit einer Abbildung, wie häufig pro Region (region) die verschiedenen Vokaltypen (vtype) vorkommen. Es sollen nur Beobachtungen verwendet werden, für die die Vokaldauer vdur zwischen 0.09 und 0.18 liegt.

preasp %>%
  filter(vdur > 0.09 & vdur < 0.18) %>%
  ggplot() + 
  aes(x = region, fill = vtype) +
  geom_bar()

• Q4: Für die Daten im Data Frame franken prüfen Sie anhand einer Abbildung und getrennt für die /t, d/ phonologischen Kategorien (in Phon), inwiefern das Urteil (Response: zwei Stufen lenis, fortis) durch das Alter (Alter) beeinflusst wird.

franken %>%
  ggplot() +
  aes(x = Response, fill = Alter) +
  geom_bar(position = "fill") +
  facet_wrap(~Phon)

• Q5: Prüfen Sie anhand einer Abbildung mit dem Data Frame clara, inwiefern eine Verbindung zwischen der Prä-Aspirationsdauer (prdur) und Wortdauer (ddur) vorliegt. Beschriften Sie die Achsen mit “Wortdauer” und “Prä-Aspirationsdauer”. Erstellen Sie hierbei getrennte Panels für prä-aspirierte Plosive in initialer und finaler Position (pos).

clara %>%
  ggplot() + 
  aes(x = prdur, y = ddur) +
  geom_point() + 
  xlab("Wortdauer") +
  ylab("Prä-Aspirationsdauer") +
  facet_wrap(~pos)

• Q6: Im Data Frame glottal wurde transkribiert, ob ein [t] oder Glottalverschluss [tQ] produziert wurde (verschluss), und ob diese Verschlüsse von einem System für die automatische Spracherkennung richtig erkannt wurden oder nicht (erkannt). Prüfen Sie anhand einer Abbildung, ob die Erkennung vom Verschluss beeinflusst wurde.

glottal %>% 
  ggplot() +
  aes(x = verschluss, fill = erkannt) +
  geom_bar(position = "fill") +
  ylab("Proportion")

• Q7: Für den Data Frame dg erstellen Sie eine Abbildung, um zu prüfen, inwiefern der zweite Formant (F2) mit der Region (Region) variiert, getrennt für Männer und Frauen (Gen). Beschriften Sie die y-Achse als “F2 (Hz)”.

dg %>%
  ggplot() +
  aes(y = F2, x = Region) +
  geom_boxplot() +
  facet_wrap(~Gen) +
  ylab("F2 (Hz)")

# oder
dg %>%
  ggplot() +
  aes(y = F2, x = Region, fill = Gen) +
  geom_boxplot() +
  ylab("F2 (Hz)")

• Q8: Im Data Frame h.df wurde voice-onset-time (VOT) für mehrere Versuchspersonen in der andalusischen Varietät des Spanischen gemessen. Prüfen Sie anhand von zwei verschiedenen Abbildungen, ob (a) VOT vom Alter des Sprechers (Alter) beeinflusst wurde und (b) ob eine Beziehung zwischen VOT und der Verschlussdauer (Verschluss) vorliegt. Für die (b) Abbildung kodieren Sie die Altersgruppen in unterschiedlichen Farben. Lassen Sie sich die beiden Abbildungen dann nebeneinander anzeigen.

p1 = h.df %>%
  ggplot() +
  aes(y = VOT, x = Alter) +
  geom_boxplot()
p2 = h.df %>%
  ggplot() +
  aes(y = VOT, x = Verschluss, col = Alter) +
  geom_point()
grid.arrange(p1, p2, ncol=2)

• Q9: Zeigen Sie anhand des Data Frames preasp, ob die Artikulationsstelle cplace und die Region (region) die Verschlussdauer clodur beeinflussen. Farbkodieren Sie die Abbildung nach Artikulationsstelle.

preasp %>%
  ggplot() +
  aes(y = clodur, x = cplace, fill = cplace) +
  geom_boxplot() +
  facet_wrap(~region)

• Q10: Die Kieferhöhe (kiefer) wurde von 10 Versuchspersonen (Vpn) durch zwei verschiedene Geräte (geraet) erhoben. Berechnen Sie für jede Versuchsperson die Differenz in der Kieferhöhe zwischen diesen beiden Geräten (Sie benötigen u.a. dazu die Funktion diff() innerhalb von summarise()). Erstellen Sie einen Boxplot dieser Differenzwerte. Überlagern Sie auf Ihre Abbildung einen horizontale Linie in einer Farbe Ihrer Wahl zum Wert 0 (Null). Beschriften Sie die y-Achse “Differenz (mm)”, und entfernen Sie die Beschriftung auf der x-Achse mit + theme(axis.text.x = element_blank()).

 geraet %>%
  group_by(Vpn) %>%
  summarise(d = diff(kiefer)) %>%
  ungroup() %>%
  ggplot() +
  aes(y = d) +
  geom_boxplot() +
  geom_hline(yintercept = 0, col = "red") +
  ylab("Differenz (mm)") +
  theme(axis.text.x = element_blank())