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)
gr.df = read.table(file.path(url, "gr.df.txt"),
stringsAsFactors = T)
gr.df = gr.df %>%
mutate(Alc = factor(Alc, levels=c("nein", "ja")))
gram.df = read.table(file.path(url, "gram.txt"),
stringsAsFactors = T)
hruch.df = read.table(file.path(url, "hruchder.df.txt"),
stringsAsFactors = T)
p.df = read.table(file.path(url, "preasp.txt"),
stringsAsFactors = T)
l.df = read.table(file.path(url, "langdat.df.txt"),
stringsAsFactors = T)
v.df = read.table(file.path(url, "vdatader.df.txt"),
stringsAsFactors = T)
links = c(527, 542, 513, 502, 542, 535, 543, 508, 539, 546, 544, 533, 524, 523, 550, 526, 531, 512, 549, 524)
rechts = c(524, 550, 545, 541, 524, 529, 549, 555, 554, 539, 552, 550, 555, 536, 554, 545, 523, 545, 525, 542)
Prüfen Sie mit einer Abbildung und statistischem Test, ob die Reaktionszeiten von dem Ohr beeinflusst werden.
Q2: In einer Untersuchung zu dem Einfluss
vom Alkohol auf die gesprochene Sprache wurden Sprecher in einer
kontrollierten Untersuchung in 8 Stufen von 1-8 (sps
)
zunehmend alkoholisiert. Hörer mussten pro Sprachaufnahme entscheiden,
ob die Äußerung alkoholisiert war oder nicht (Alc
). Die
Daten sind im Data Frame gr.df
gespeichert. Prüfen Sie
durch eine Abbildung und statistischen Test, ob die Hörerentscheidung
von der Alkoholstufe beeinflusst wurde. Was wäre die Proportion von ‘ja’
(alkoholisiert) Antworten für eine Alkoholstufe vom 1.8? Was ist der
Umkipppunkt auf der sps-Skala zwischen ‘ja’ und ‘nein’
Entscheidungen?
Q3: Für den Dataframe gram.df
wurden die Reaktionszeiten (rt
) in Versuchspersonen
(Vpn
) gemessen, um Wörter aus drei syntaktischen Kategorien
(Class
) zu erkennen. Die Versuchspersonen waren frühe oder
späte Zweitsprachlerner (Learner
). Prüfen Sie durch eine
Abbildung und statistischen Test, ob die syntaktische Kategorie und/oder
Lerner die Reaktionszeiten beeinflussten.
Q4: Für den Dataframe hruch.df
wurde VOT (VOT
) in andalusisch-spanischen Plosiven in
verschiedenen Wörtern (Wort
) produziert von mehreren
jüngeren und älteren (Alter
) Versuchspersonen
(Vpn
) aus zwei verschiedenen Städten (Stadt
)
gemessen. Prüfen Sie durch eine Abbildung und statistischen Test, ob VOT
vom Alter und/oder von der Stadt beeinflusst wird.
Q5: Für den Dataframe p.df
prüfen Sie durch eine Abbildung und statistischen Test nur für die
velare Artikulationsstelle (cplace: kk
) und nur für die
Sprecher aus bergamo
und parma
(city
), ob es eine lineare Beziehung gibt zwischen der
Summe von predur
und clodur
(also von
predur+clodur
) und Vokaldauer
(vdur
).
Q6: Für den Dataframe l.df
wurde festgestellt, ob Hörer Phrasen richtig erkannt hatten oder nicht
(Antwort
). Die Hörer hatten Deutsch als ihre erste oder
zweite Sprache (Lang
). Die Wortidentifizierung fand unter
zwei Bedingungen (Condition
) statt: entweder im Labor
(quiet
) oder im Lärm (noise
). Prüfen Sie durch
eine Abbildung und statistischen Test, ob die Richtigkeit der Antworten
von der Sprache und/oder Umgebung beeinflusst wird.
Q7: Für den Dataframe v.df
soll
festgestellt werden, inwiefern die vertikale Position des Zungendorsums
(Y
) von der horizontalen Zungenposition (X
)
und von der Gespanntheitsopposition (Tense
) beeinflusst
wird. Versuchen Sie einzuschätzen, ohne einen statistischen Test
durchzuführen, ob:
Y
von der Gespanntheit beeinflusst wird.Y
und X
gibt.X
und Gespanntheit miteinander
interagieren.Sie können hier Befehle eingeben, und danach 1-3 kurz (jeweils eine Zeile) begründen.