Zeit erlaubt: 90 Minuten. Bitte alle Fragen beantworten und Ihre
Rmd-Datei regelmäßig speichern. Schicken Sie am Ende der Klausur Ihre
Rmd Datei an Jonathan Harrington Email = jmh@phonetik.uni-muenchen.de.
Laden Sie die folgenden Packages und Data-Frames:
library(tidyverse)
library(broom)
library(gridExtra)
library(lmerTest)
library(emmeans)
library(MuMIn)
library(afex)
sigmoid = function(x, k = 0, m = 1) {
exp(m * x + k) / (1 + exp(m * x + k))
}
urla = "https://www.phonetik.uni-muenchen.de/studium_lehre/"
urlb = "lehrmaterialien/R_speech_processing/Rdf"
url = paste0(urla, urlb)
v.df = read.table(file.path(url, "vdata.txt"),
stringsAsFactors = T)
s.df = read.table(file.path(url, "sib2.df.txt"),
stringsAsFactors = T) %>%
mutate(G = substring(Vpn, 1, 1)) %>%
filter(G == "M") %>%
mutate(Vpn = factor(Vpn))
sg.df = read.table(file.path(url, "sagtp.df.txt"),
stringsAsFactors = T)
p.df = read.table(file.path(url, "preasp.txt"),
stringsAsFactors = T)Q1: Für den Dataframe v.df
berechnen Sie die F2-Mittelwerte und -Standardabweichungen für jede der
21 Kombinationen der 7 Vokale (V) und 3
Artikulationsstellen (Cons). Erstellen Sie einen Boxplot
über die 21 Mittelwerte je dividiert durch die 21
Standardabweichungen.
Q2: Der Dataframe s.df zeigt
spektrale Mittelwerte (M1) für zwei Frikative
(K) in prosodisch starken und schwachen Kontexten
(Stress). Die Frikative kamen in unterschiedlichen Wörtern
(Wort) vor, und wurden von 6 Sprechern (Vpn)
produziert. Prüfen Sie durch eine Abbildung und statistischen Test, ob
der spektrale Mittelpunkt von der Artikulationsstelle und/oder
prosodischen Kontext beeinflusst wurde.
Q3: Für den Dataframe sg.df
wurde ein 11-stufiges Kontinuum zwischen sackt und
sagt synthetisiert. Ein Hörer musste pro Stimulus
entscheiden ob sackt (a) oder
sagt (a:) produziert wurde
(Urteil). Prüfen Sie mit einer Abbildung und statistischem
Test, ob die Hörerentscheidungen vom Stimulus beinflusst wurden. Zu
welchem Stimuluswert kommt der Umkipppunkt zwischen diesen Wörtern vor?
Was ist die eingeschätzte Proportion von ‘sagt’ Urteilen zu einem
Stimuluswert von 6.5?
Q4: Die Vokaldauern einer unbetonten Silbe produziert von 10 Erwachsenen und 10 Kindern zu einer normalen Sprechgeschwindigkeit waren wie folgt:
# Erwachsene: normale Sprechgeschwindigkeit
e_n = c(46, 50, 58, 57, 48, 44, 57, 50, 47, 51)
# Kinder: normale Sprechgeschwindigkeit
c_n = c(75, 43, 72, 82, 81, 62, 84, 79, 75, 68)Die Vokaldauern derselben untebtonten Silbe produziert von denselben Sprechern aber zu einer schnellen Sprechgeschwindigkeit waren wie folgt:
# Erwachsene: schnelle Sprechgeschwindigkeit
e_s = c(14, 35, 32, 27, 35, 11, 35, 34, 29, 29)
# Kinder: schnelle Sprechgeschwindigkeit
c_s = c(67, 55, 73, 70, 68, 45, 31, 35, 59, 74)Prüfen Sie durch eine Abbildung und statistischen Test, ob die Sprechergruppe und/oder Sprechgeschwindigkeit einen Einfluss auf die Vokaldauern hatten.
Q5: Für den Dataframe p.df
prüfen Sie mit einer Abbildung und statistischem Test für die Städte
(city) napoli, palermo, und
parma zusammen und nur für a Vokale
(vtype), ob die Vokaldauer (vdur) von der
Verschlussdauer (clodur) linear beeinflusst
wird.
Q6: Für den Dataframe p.df
kommentieren Sie in 1-2 Zeilen anhand einer Abbildung aber ohne
einen statistischen Test durchzuführen, ob eine Beziehung
zwischen Vokaldauer (vdur) und Verschlussdauer
(clodur) vorliegt. Würden Sie eine Interaktion zwischen
Verschlussdauer und Vokal (vtype) erwarten, und wenn ja,
warum?
Ihre Antwort: