Interaction of emotional and linguistic factors in lexical processing: evidence from Russian nouns.pdf Введение Задание на лексическое решение (lexical decision task, LDT) - простейший поведенческий тест для изучения семантической памяти, использующийся при анализе неосознаваемых, автоматических влияний на восприятие и понимание [1]. В данном задании испытуемые должны решить как можно быстрее и точнее, какая последовательность букв представлена на экране - слово (word) или неслово (nonword), т.е. «орфографически неупорядоченный набор букв», либо вместо неслов используются псевдослова (pseudowords), т.е. «орфографически упорядоченные наборы букв», похожие на слова, но не имеющие смысла (указанные термины используются в когнитивной науке и раскрываются в работах Б.М. Величковского [Там же]). Испытуемый принимает решение, нажимая соответствующую кнопку компьютера, а программа фиксирует правильность и скорость ответа. Результаты, получаемые с помощью данной методики, должны оцениваться экспериментатором не только с концептуальной точки зрения (например, с точки зрения моделей визуального распознавания слов), но и собственно процедурной (дизайна эксперимента). Концептуальные аспекты визуального распознавания слов в задаче лексического решения Объектом данного исследования является процесс визуального распознавания слов в задании LDT. Традиционно в данном процессе выделяются «лексический» и «нелексический» способы переработки информации [2]. «Лексическим» способом анализируются, как правило, хорошо знакомые слова, «нелексическим» - малознакомые или трудные для прочтения. По мнению Б.М. Величковского [1], в процессе переработки визуального стимула можно выделить три вида декодирования информации: фигуративный, фонематический, семантический. Указанная уровневая структура не предполагает хронологической последовательности. «Включение» семантической обработки на очень ранней стадии подтверждается тем, что буква, включенная в слово, распознается проще, чем буква, включенная в псевдослово (так называемый «эффект превосходства слова»). А.И. Измал-кова отмечает, что если рассматривать различные «стратегии» распознавания слов, можно говорить о том, что в некоторых случаях акцент смещается на тот или иной этап декодирования информации [3]. В структуре процесса визуального распознавания слова при выполнении задания LDT c учетом его специфики могут быть выделены различные стадии. Ранней и, по-видимому, первой стадией этого процесса, по мнению Y. Hino, S.J. Lupker, является этап лексического выбора (lexical selection). Испытуемый лишь осуществляет поиск в ментальном лексиконе соответствующей единицы, тогда как процессы извлечения фонологической, синтаксической или семантической информации оказываются еще незадей-ствованными. Часто данный процесс называют лексическим доступом (lexical access), однако авторы рекомендуют использовать термин «лексический выбор», наиболее точно отражающий именно ранние этапы распознавания слова в задании LDT. Считается, что на данной стадии особенно четко проявляются эффекты частотности слов (word frequency effects), а на последующих стадиях они ослабевают [4]. Большинство моделей визуального распознавания слова исходят из предположения, что скорость лексического выбора в основном определяется частотностью употребления единицы в узусе, которая извлекается из репрезентативного корпуса (см., например, модель поиска [5]; модель резонанса [6]; модель множественного считывания данных [7]; модель интерактивной активации [8]; модель активации и верификации [9]). В классических моделях, например логогенной модели [10] и модели интерактивной активации [8], эффект частотности объясняется предположением о существовании лексических репрезентаций, чувствительных к частотности их употребления. Согласно этим моделям лексические репрезентации являются механизмами сбора значимых данных (evidence-collecting devices) с настраиваемыми порогами их активации в памяти: в процессе предъявления визуального стимула уровень активации лексической репрезентации растет пропорционально росту визуального сходства между входным сигналом и произношением слова, представляющего данную лексическую репрезентацию. Данный процесс активации имеет определенный временной порог, после преодоления которого процесс лексического выбора считается завершенным, при этом скорость лексического выбора обратно пропорциональна частотности слова. Таким образом, эффекты частотности в указанных выше моделях проявляются в меньшем времени лексического выбора (более быстром достижении «порога активации») для высокочастотных слов [4]. Авторы других моделей, например модели верификации [11], модели лексического поиска [5], предполагают, что лексический выбор осуществляется путем последовательного сопоставления входного сигнала с признаками упорядоченных по частотности лексических репрезентаций (например, на основе орфографического сходства), при этом высокочастотные единицы доступны для сопоставления в первую очередь. Данный процесс авторы называют частотно-упорядоченным последовательным сопоставлением (frequency-ordered sequential matching process). Указанный процесс также является чувствительным к эффектам частотности. В работе Y. Hino, S.J. Lupker [4] отмечается, что все указанные типы моделей основаны на идее о том, что лексический выбор является главным процессом визуального распознавания слова, а эффекты частотности проявляются именно на данной стадии. Кроме этого, определенное воздействие на скорость лексического выбора могут оказывать частотность корневой морфемы, длина слова в знаках и слогах, семантическое богатство слова (semantic richness). Выделение последнего фактора, изучавшегося многими учеными и на разном языковом материале, основано на том, что значение слова может быть активировано в ментальном лексиконе до того, как данное слово полностью распознано [12], однако последние экспериментальные исследования показали, что семантическая обратная связь (semantic feedback) обычно не связана с ранними стадиями лексического выбора и доступа к лексическим репрезентациям, а больший эффект на динамику данного процесса оказывают контекст задания, дизайн теста [13]. Вторая стадия распознавания слова - принятие решения о классификации стимула как слова или неслова (response decision stage). По-прежнему на данной стадии может быть значимым эффект частотности слова [14, 15], однако большое значение имеют и тип выполняемого задания (например, yes/no или go/no-go), а также семантические, фонологические и мор-фо-синтаксические характеристики стимулов (особенно для слов сверхнизкой частотности). Третья стадия - осуществление моторной реакции (response selection stagе), в ходе которой испытуемый нажимает необходимую кнопку для ответа. Как будет показано ниже, на данной стадии вмешиваются факторы, связанные с личностью испытуемого и типом задания, причем эти факторы могут значительно повлиять на данные о времени реакции испытуемого. Рассмотренные выше предположения о дискретности стадий переработки лексической информации, механизмах активации лексических и семантических репрезентаций не являются общепринятыми среди исследователей. Так, если более ранние модели визуального распознавания слова однозначно постулировали дискретность данного процесса [5], то более поздние компьютерные модели описывают каскадный способ переработки лексической информации [16]. Дискуссия относительно того, какие из моделей надежнее прогнозируют лексические и семантические эффекты в разного рода задачах (в том числе в задаче лексического решения), продолжается до сих пор и представляет собой отдельный предмет исследования. Что касается эффекта эмоциональной окраски слова (valence effect), то он представляет собой наиболее интересную область, поскольку может проявляться как на лексическом, так и на семантическом уровнях, а понимание сути эмоциональной окрашенности как языковой репрезентации позволит значительно усовершенствовать существующие модели визуального распознавания слов [17]. Процедурный аспект задачи лексического решения: парадигмы yes/no и go/no-go Методика LDT предназначена для изучения процесса визуального распознавания слов путем регистрации моторной реакции на целевые вербальные стимулы. В этом задании показателем скорости принятия решения является время реакции на стимулы, которое должно быть максимально приближено к общей длительности фиксаций взгляда на целевом слове (приблизительно 350-450 мс), полученной с помощью методики регистрации движений глаз [18]. Задание моделируется в двух основных вариантах, называемых парадигмами yes/no и go/no-go [19]. В стандартном yes/no LDT за словами и несловами «закреплены» отдельные клавиши для ответа испытуемого. Некоторые исследователи считают, что эта произвольность в дизайне эксперимента значимо влияет на время реакции (ВР) испытуемого, создает дополнительный «информационный шум»: испытуемый нередко случайно нажимает кнопку неверного ответа, несмотря на то, что стимул он классифицировал верно [20]. В то же время минимизация ошибок в процессе выполнения задания является одной из важнейших задач [21]. Для решения указанных задач исследователями B. Gordon [6], B. Gordon и A. Caramazza [22] был предложен иной вариант задания - go/no-go LDT, в котором испытуемый должен реагировать нажатием одной кнопки только на слова либо, напротив, только на неслова [23]. При изучении визуального распознавания слов, как правило, используется первый вариант, с опорой на эффект превосходства слова , широко известный в когнитивной науке, при этом реакции на неслова специально не анализируются. В целом слова распознаются быстрее в задании go/no-go LDT, чем в yes/no LDT, что подтверждается на материале специальных исследований [23, 24]. Авторы M. Perea, E. Rosa, C. Gomez [19] справедливо отмечают, что основное отличие рассматриваемых методик в наличии или отсутствии «эффекта конкуренции стимулов». В задании yes/no LDT данный эффект регулируется эффектом частотности слова, который может вызывать отложенные ответы на целевые стимулы (высокочастотные слова распознаются значимо быстрее и точнее, т.е. оказываются априори более предпочтительными для ответов, чем неслова). Низкочастотные слова в данном задании усиливают конкуренцию стимулов, т.е. для испытуемого и слова и неслова становятся одинаково предпочтительными для ответа [25]. Эффект конкуренции слов и неслов минимален в задании go/no-go LDT, поскольку на неслова от испытуемого не требуется моторной реакции, однако при анализе времени реакции вмешивается дополнительный «информационный шум»: при распознавании малознакомых слов испытуемый может откладывать ответ до тех пор, пока не убедится, что перед ним слово, а не бессмысл енный набор букв [4]. Perea et. al. [19] считают, что в задании yes/no LDT процесс принятия решения является более трудоемким и избыточным для изучения процесса визуального распознавания слов по сравнению с вариантом go/no-go LDT. Ошибки при распознавании слов в первом варианте задания могут быть вызваны искаженным восприятием на ранних стадиях анализа, быстрым отвержением слов с необычным произношением (например, lilac, yacht), субъективным «временным критерием» выбора варианта ответа, а также при неуверенности испытуемого в правильности произношения стимула [14, 2628]. Высокий процент ошибок в задании yes/no LDT требует от экспериментатора удаления этих ошибочных реакций. В результате получают искаженные данные о распределении значений времени реакции, нерелевантные эффекту частотности слова [21. С. 319]. Вариант задания go/no-go LDT согласно Perea et. al. [19] имеет ряд преимуществ для изучения процессов визуального распознавания слов и нивелирования указанных выше шумов. В частности, в их исследовании на материале испанского языка показан меньший процент ошибок испытуемых по сравнению с yes/no LDT (данный факт подтверждается и на материале других языков [4, 22, 29, 30], особенно на низкочастотные единицы, значительно снижается процент ошибок на слова по сравнению с несловами, хотя ошибки, связанные с неуверенностью в произношении редких, малознакомых слов, по-прежнему сохраняются. Исследование показало, что скорость распознавания слов в задании go/no-go LDT была значимо большей, при этом магнитуда такого мощного фактора, как частотность слов, значимо не отличалась от результатов задания yes/no LDT (в задании go/no-go LDT реакции на слова высокой, низкой и сверхнизкой частотности приблизительно на 67 мс быстрее, чем в задании yes/no LDT). Этот дополнительный эффект подтверждается в одних работах [22], но опровергается в других [4, 30], в которых тем не менее слова сверхнизкой частотности не выделялись в отдельную контролируемую группу. Стоит также упомянуть проблему влияния вариативности моторного времени реакции на изучаемое время распознавания слова в двух рассмотренных вариантах теста. Например, при анализе показателей вариации в указанных заданиях исследователи не приходят к однозначным выводам [4, 23, 30]. Таким образом, оба варианта теста LDT являются приемлемыми и обоснованными для изучения процессов визуального распознавания слов, причем сравнение данных с использованием yes/no и go/no-go парадигм может представлять отдельный интерес для исследователей. Влияние эмоциональной окраски слов на скорость из визуального распознавания Последние работы в области переработки лексической информации на материале ряда языков в условиях задачи лексического решения подтверждают влияние эмоциональной окраски слов на скорость их визуального распознавания. В подобных экспериментах используются дизайны с конкурирующими по эмоциональной окраске стимулами. Также контролируются «неэмотивные» лингвистические характеристики слов-стимулов (например, длина слова, частотность, количество «орфографических соседей» и др.). В поисках объяснения результатов экспериментов, которые часто оказываются противоречивыми, исследователи обращаются к анализу различных семантических факторов. К числу подобных факторов, представляющих интерес в контексте визуального распознавания эмоционально окрашенного слова, относится его «семантическое богатство» (semantic richness) [31]. Под этим термином понимается многоаспектный конструкт, отражающий степень вариативности информации, связанной со значениями слова [32]. Некоторые авторы определяют это понятие как «богатство семантической репрезентации слова» [13]. В этот конструкт входят количество семантических характеристик слова, связанных с его референтом; удельный вес «семантических соседей»; количество значений слова-стимула; количество различных «первых ассоциаций», полученных методом свободного ассоциативного эксперимента; образность, т. е. степень способности слова порождать ментальные образы; телесно-объектное взаимодействие, т.е. степень возможного взаимодействия человеческого тела с референтом слова-стимула; степень активации словом-стимулом сенсорного или перцептивного опыта и эмоциональная окрашенность (valence), противопоставленная по признакам позитивное, негативное и нейтральное. Исходя из представлений о семантическом богатстве слова, предполагают, что стимулы с положительной и отрицательной эмоциональной окраской ассоциируются с большим объемом семантической информации, чем нейтральные стимулы, и в большей степени активируют обратную связь на уровне слова. Хотя мнение о сугубо семантической природе процесса визуального узнавания слова в настоящее время не находит поддержки, сами процессы и механизмы, лежащие в основе этого семантического воздействия, остаются слабоизученными [31, 33]. Кроме того, Yap и Seow [34] считают, что подобные гипотезы невозможно проверить на уровне значений времени реакции (ВР), так как их анализ не является чувствительным к тонким аспектам принятия лексического решения. При этом в экспериментах, проведенных этими авторами, было показано, что слова с положительной и отрицательной эмоциональной окраской распознавались быстрее, чем слова с нейтральной окраской. В одной из последних экспериментальных работ по этой проблеме [35] авторы на большой выборке стимулов (12 658 слов), контролируя максимальное количество лексических и семантических факторов, установили более точные эмоциональные эффекты в процессе визуального распознавания слов: независимый вклад в данный процесс вносят как эмоциональная окраска стимула, так и характер его воздействия на испытуемого («возбуждающий или успокаивающий стимул», arousal effect). При этом слова с отрицательной эмоциональной окраской распознаются медленнее, чем слова с положительной окраской, а «возбуждающие» стимулы - медленнее, чем «успокаивающие». Эмоциональная окраска и характер воздействия стимула тесно связаны с его частотностью: эффекты усиливаются для низкочастотных слов. Эти результаты свидетельствуют о том, что существуют сложные механизмы воздействия эмоциональной окраски слов на их визуальное распознавание, однако их исследование требует тщательного контроля лингвистических характеристик предъявляемых слов-стимулов. Рассматривая распознавание слов с различной эмоциональной окраской, необходимо принимать во внимание вероятное влияние на этот процесс эмоциональных особенностей личности. Наиболее изученным является влияние тревожности, которое выражается в виде «ошибки внимания» (Attentional Bias) в отношении негативных стимулов угрожающего характера [36]. Как на вербальных, так и на невербальных стимулах в рамках различных экспериментальных парадигм было показано, что тревожные люди уделяют угрожающим стимулам больше внимания, чем нейтральным, причем подобное не отмечается у лиц с низкой тревожностью. Кроме того, существуют данные, свидетельствующие о влиянии на восприятие эмоционально-окрашенных слов не только стабильных личностных свойств, но и эмоциональных состояний личности [37]. Постановка проблемы Представленный обзор свидетельствует о том, что эмоциональная окраска стимулов как фактор визуального узнавания привлекает внимание зарубежных ученых, однако на материале русского языка подобные исследования являются редкостью. В то же время необходимо отметить, что уже сегодня создается научный задел для перспективных исследований в области обработки эмоционально окрашенной лексики русского языка. Среди таких работ - база данных ENRuN Д.В. Люсина и Т. А. Сысоевой [38]. Авторы указывают, что база данных содержит нормативные оценки эмоциональной окраски имен существительных русского языка. В ходе проведенного опроса для 378 существительных были получены оценки по эмоциональным категориям «радость», «грусть», «злость», «страх» и «отвращение», показана высокая надёжность полученных данных, проанализированы половые различия и связь оценок по различным эмоциональным категориям. В данной базе для каждого слова по каждой из пяти эмоциональных категорий приводятся сведения о средней оценке выраженности данной эмоциональной категории, стандартном отклонении, минимальной и максимальной оценках. На основе данных, представленных в этой базе, было исследовано влияние некоторых эмоциональных характеристик личности и эмоциональной окраски слов на их визуальное узнавание в задании LDT на материале русского языка. Было проведено два аналогичных исследования, первое из которых было реализовано в экспериментальной парадигме yes/no, а второе - go/no-go. Исследование 1. Выборка, процедура и методы исследования: yes/no LDT Для проверки гипотезы о наличии эффекта эмоциональной окраски слова на их визуальное узнавание было организовано экспериментальное исследование с использованием методики LDT в парадигме yes/no. В эксперименте приняли участие 44 испытуемых, 39 женского и 5 мужского пола, средний возраст 18,95 (SD = 1,29). Для эксперимента использовались ноутбук ASUS Intel Core i3-4030U, 1.9GHz, RAM 4GB и пробная версия программного обеспечения Inquisit 5. Экспериментальный блок состоял из 20 тренировочных проб (10 слов и 10 неслов), основной блок - 120 слов русского языка (40 - с положительной, 40 - с отрицательной и 40 - с нейтральной эмоциональной окраской) и 120 неслов2. Для реакций на слова и неслова использовались две клавиши компьютера, согласно парадигме yes/no LDT. Все стимулы предъявлялись рандомизировано, по одному, напечатанные белым шрифтом Arial 20 pt посредине экрана, на черном фоне. Перед предъявлением стимула появлялся черный экран на 950 мс, затем символ «*» и сам стимул на 700 мс3. После ответа испытуемого предъявлялась следующая проба. В начале процедуры испытуемым предъявлялась на мониторе следующая инструкция: «В этом задании сначала в центре экрана появится звездочка *, а затем на короткое время появится последовательность букв. Ваша задача - быстро определить, что перед Вами: настоящее, реальное слово русского языка или просто последовательность букв, которая не является словом. Если Вы увидите слово - нажмите клавишу «Ш», если неслово - нажмите клавишу «У». Будьте внимательны. Постарайтесь выполнять задание быстро и точно». Для диагностики эмоциональных состояний и свойств личности испытуемых использовались соответствующие методики психологической диагностики: шкала личностной тревожности Ч.Д. Спилбергера - Ю.Л. Ханина [42] и шкала позитивного аффекта и негативного аффекта (ШПАНА) Д. Уотсона и др. в адаптации Е.Н. Осина [43]. Методика ШПАНА включает две шкалы (позитивного аффекта и негативного аффекта), раздельно оценивающие выраженность позитивных и негативных эмоциональных состояний в течение прошедшей недели. Хотя использовавшиеся шкалы измеряют близкие характеристики эмоциональной сферы, корреляции между ними находились в пределах 0,28-0,54 (по модулю), что свидетельствует о нетождественности измеряемых ими конструктов. Следовательно, их использование в качестве самостоятельных предикторов вполне оправдано. Статистический анализ проводился в среде R с использованием пакетов «lme4», «lmerTest», «sjPlot» и «MuMIn». В ходе анализа применялись линейные модели со смешанными эффектами, позволяющие учесть влияние не только фиксированных, но и случайных факторов (в задачах лексического решения последние, как правило, представлены в виде факторов испытуемого и стимула/слова) [44]. Модели со смешанными эффектами, по существу, являются расширением обычных линейных регрессионных моделей для случаев, когда наблюдения могут быть сгруппированы по одному или нескольким основаниям (например, время реакции в LDT может быть сгруппировано по испытуемым и по словам-стимулам). В таком случае коэффициенты регрессии разделяются на два типа: коэффициенты для фиксированных эффектов, одинаковые для всех наблюдений, и коэффициенты для случайных эффектов, различные для разных групп наблюдений (в нашем случае для разных испытуемых или слов). Величина коэффициентов фиксированных эффектов для количественных предикторов отражает, как в среднем изменяется время реакции в миллисекундах при изменении величины соответствующего предиктора на единицу (при прочих равных условиях). Для категориального предиктора, в нашем случае эмоциональной окраски слова, эта величина отражает изменение среднего времени реакции при данном (позитивном или нейтральном) значении эмоциональной окраски в сравнении с тем, что тический фактор, т.е. элементы категоризации лексического значения слова, было решено установить время предъявления стимула 700 мс. наблюдается для слов с негативной эмоциональной окраской. Коэффициенты случайных эффектов отражают особенности в проявлении изучаемых зависимостей в каждой отдельной группе стимулов. В простейшем случае, если речь идет только об эффекте случайного среднего (константе), его величину можно интерпретировать как отклонение среднего в данной группе наблюдений от общего для всех групп значения. Материалы исследования В качестве слов-стимулов использовались имена существительные русского языка, поскольку именно для данной части речи уже создана база данных ENRuN с нормативными оценками эмоциональной окраски 378 единиц. Для настоящего эксперимента были отобраны лексические единицы с максимальными значениями эмоциональной окраски по двум основным шкалам - «радость» и «грусть», а также слова с нейтральной окраской со значением < 2 по обеим шкалам. Для выбранных стимулов была получена их частотность из словаря О.Н. Ляшевской и С.А. Шарова [45], рассчитываемая как частота лексической единицы на миллион словоупотреблений (англ. ipm, instances per million). Полный список имен существительных с указанием средних оценок их эмоциональной окраски приведен в приложениях 1 и 2. Обобщенные по группам стимулов характеристики приведены в табл. 1. Оценки слов-стимулов по другим эмоциональным шкалам («гнев», «страх» и «отвращение») использовались в ходе предварительного анализа характеристик стимулов, однако по его результатам были исключены. Результаты анализа показали, что все пять эмоциональных характеристик слов, приведенные в базе данных ENRuN, в нашей выборке имеют довольно тесные попарные корреляции (от 0,56 до 0,90 по модулю). С учетом этого было сделано предположение, что использование пяти эмоциональных характеристик является избыточным, поскольку за ними скрывается один общий фактор. Для проверки этого предположения был проведен эксплораторный факторный анализ, результаты которого представлены в табл. 2. Эти результаты полностью подтверждают предположение, что эмоциональные характеристики образуют общий фактор. Все эмоциональные характеристики имеют достаточно высокие (более 0,70) факторные нагрузки на общий фактор, объясняющий 79% их дисперсии. Об оптимальности од-нофакторного решения свидетельствует как собственное значение для второго фактора, которое было существенно меньше единицы (0,54), так и форма графика «каменистой осыпи» [46]. Таким образом, для учета эмоциональных характеристик отобранных стимулов достаточно одного фактора позитивной - негативной эмоциональности (окраски), который в нашем исследовании был задан условиями отбора по двум основным шкалам («радость» и «грусть»). Т а б л и ц а 1 Статистические характеристики отобранных слов (стимулов) Параметры Среднее Стандартное отклонение Минимум Максимум Позитивные стимулы (N = 40) Частотность (ipm) 75,70 70,68 5,90 323,90 Длина (букв) 6,55 1,43 4,00 10,00 Длина (слогов) 2,35 0,53 1,00 3,00 Радость 4,40 0,18 4,11 4,83 Грусть 0,55 0,35 0,15 1,64 Гнев 0,15 0,11 0,02 0,53 Страх 0,36 0,27 0,04 1,49 Отвращение 0,15 0,09 0,02 0,38 Негативные стимулы (N = 40) Частотность (ipm) 45,07 78,15 2,80 425,90 Длина (букв) 6,33 1,46 4,00 9,00 Длина (слогов) 2,23 0,70 1,00 3,00 Радость 0,13 0,11 0,02 0,62 Грусть 3,32 0,50 2,62 4,38 Гнев 1,88 0,84 0,58 3,85 Страх 2,51 0,76 0,96 3,98 Отвращение 1,68 0,80 0,55 3,19 Нейтральные стимулы (N = 40) Частотность (ipm) 60,40 89,03 3,90 344,20 Длина (букв) 5,80 0,88 5,00 8,00 Длина (слогов) 2,23 0,42 2,00 3,00 Радость 1,14 0,46 0,28 2,00 Грусть 0,40 0,20 0,04 0,85 Гнев 0,11 0,09 0,02 0,30 Страх 0,30 0,26 0,02 1,06 Отвращение 0,11 0,05 0,00 0,19 Т а б л и ц а 2 Результаты факторного анализа эмоциональных характеристик отобранных слов Эмоциональные характеристики слов Факторные нагрузки Радость 0,73 Грусть -0,93 Гнев -0,92 Страх -0,95 Отвращение -0,90 Доля объясняемой дисперсии, % 79 Поскольку в настоящее время не существует репрезентативных баз данных неслов для проведения исследований на материале русского языка, в нашем случае генерация неслов осуществлялась следующим способом. С помощью англоязычного сервиса ARC Nonword Database [47] были сгенерированы неслова длиной от 2 до 10 букв с количеством всех видов орфографических соседей, равным 0. Из полученной совокупности было отобрано 200 неслов (например, ghwirsh) для последующей транслитерации на кириллицу с помощью сервиса http://translit.cc/. Полученные 200 неслов (например, гхвирш, сцванч и т.п.) были оценены тремя экспертами-лингвистами как похожие или непохожие на кодифицированные слова русского языка (если неслово вызывало хотя бы одну ассоциацию, то оно исключалось из списка). После оценки были выбраны 120 неслов, которые не вызвали каких-либо ассоциаций с кодифицированными единицами (например, гхвие, цвув и т.п.). Таким образом, неслова подбирались с минимумом возможных орфографических соседей из числа кодифицированных слов и являлись орфографически неупорядоченными последовательностями букв, т. е. были не похожими ни на одно существующее слово русского языка. Полный список неслов представлен в приложении 3. Результаты исследования и их обсуждение В ходе анализа неверные реакции, а также реакции на неслова не учитывались. Для исключения выбросов использовался способ, ранее применявшийся в целом ряде поведенческих исследований по методике LDT (например, [34]). Из выборки были исключены все значения менее 200 мс, а также значения, отклоняющиеся более чем на 2,5 стандартных отклонения от индивидуальных средних значений (M ± 2,5SD). Линейные модели не требуют допущения о нормальности распределения исходных данных, однако это допущение становится важным в случае необходимости оценки статистической значимости полученных коэффициентов. Форма распределения данных о времени реакции также представляет теоретический интерес и обсуждается в соответствующей литературе. Наряду с нормальным распределением нередко рассматриваются обратное нормальное распределение и экспоненциально-преобразованное нормальное, однако необходимость и обоснованность их применения остаются дискуссионными [48]. В нашем случае анализ соответствия распределения данных нормальному с помощью критерия Шапиро - Уилка показал, что у 34 испытуемых распределение времени реакции (ВР) существенно отличается от нормального (при p < 0,05). Обратное преобразование данных (1/ВР) не привело к существенному улучшению, так как отклонение от нормального распределения оставалось значимым у 26 испытуемых. Учитывая устойчивость линейных моделей по отношению к нарушениям допущения о нормальности, а также ввиду того, что преобразование данных усложняет интерпретацию результатов, было принято решение использовать исходные значения ВР. К числу типичных вмешивающихся факторов, часто оказывающих влияние на результаты, относятся эффекты номера стимула в последовательности и времени реакции на предыдущий стимул [44]. Первый из этих эффектов отражает врабатываемость и утомляемость испытуемых, а также любое постепенное изменение времени реакции в процессе эксперимента. С ним связан и второй эффект, который отражает также менее длительные процессы, объясняющие общие факторы в реакции на относительно короткие последовательности стимулов. Для контроля этих эффектов в предварительную модель были введены факторы номера пробы и времени предыдущей реакции (для первой реакции значение этой переменной было установлено равным среднему для испытуемого). Анализ этой модели показал, что статистически значимым (при p < 0,001) в нашем случае является лишь эффект предыдущей реакции, поэтому данный фактор использовался для контроля во всех последующих моделях. С учетом имеющихся в литературе данных относительно лингвистических предикторов времени реакции для контроля их эффектов в модель были включены две переменные: частотность слов (десятичный логарифм от ipm) и их длина (в буквах). В качестве предполагаемых психологических предикторов времени реакции на слова с различной эмоциональной окраской использовались личностная тревожность как одно из устойчивых эмоциональных свойств личности и эмоциональные состояния, отражающие выраженность позитивного и негативного эффекта в течение последней недели. Поскольку предположение о взаимодействии личностных факторов и эмоциональной окраски слов выглядит разумно, была выполнена проверка возможных попарных взаимодействий, которая показала, что статистическую значимость на уровне тенденции (p < 0,10) показывает взаимодействие позитивной эмоциональной окраски слов и позитивной аффективности. В отличие от исследования Купермана с соавторами [35] анализ взаимодействия эмоциональной окраски с частотностью не показал статистически значимых эффектов (p > 0,50), по этой причине подобное взаимодействие в модель не включалось. Таким образом, на основе теоретических предпосылок и результатов предварительного анализа в качестве фиксированных эффектов в модель были включены следующие предикторы: предшествующее ВР, длина слова, логарифм частотности, эмоциональная окраска слов, личностная тревожность, позитивный аффект, негативный аффект, а также взаимодействие позитивного аффекта и эмоциональной окраски слов. Для анализа случайных эффектов была выполнена процедура пошагового усложнения модели с добавлением нового случайного эффекта на каждом шаге и сравнением с предыдущей моделью. Результаты такого анализа приведены в табл. 3. Результаты сравнения моделей, представленные в табл. 1, свидетельствуют о том, что статистическую значимость (при p < 0,05) показывают все случайные эффекты за исключением случайных коэффициентов длины слова и случайных коэффициентов позитивного аффекта, которые не были включены в итоговую модель. Т а б л и ц а 3 Сравнение моделей с различным числом случайных эффектов Случайные эффекты df AIC BIC Логарифм функции Критерий отношения правдоподобия (LRT) По испытуемым По словам правдоподобия хи-квадрат (df) Руровень Случайное среднее для Нет 13 63 288 63 373 -31 631 испытуемого Пр. модель Случайное среднее для слова 14 63 280 63 371 -31 626 10,09 (1) 0,0015 Случайные коэффициенты эмоционально Пр. модель 19 63 271 63 394 -31 616 19,22 (5) 0,0017 сти слова + пр. модель Случайные коэффициенты частотности Пр. модель 23 63 231 63 381 -31 592 47,75 (4) 0,0000 слова + пр. модель Случайные коэффициенты длины слова + Пр. модель 28 63 235 63 417 -31 590 5,81 (5) 0,3255 пр. модель Пр. модель Случайные коэффициенты тревожности + пр. модель 30 63 228 63 424 -31 584 10,86 (2) 0,0044 Случайные коэффици- Пр. модель енты позитивного аффекта + пр. модель 33 63 228 63 442 -31 581 6,71 (3) 0,0816 Случайные коэффици- Пр. модель енты негативного аффекта + пр. модель 37 63 222 63 463 -31 574 13,18 (4) 0,0104 Примечание. Сокращение «пр. модель» означает «те же эффекты, что и в предыдущей модели (в строке выше)». Случайные эффекты вводились в модели как коррелирующие между собой. Случайные эффекты негативного аффекта и личностной тревожности показали высокую корреляцию (более 0,90) между собой и со случайным средним по словам. По этой причине из этих трех случайных эффектов был оставлен лишь эффект случайного среднего. Таким образом, в итоговую модель в качестве случайных эффектов были введены случайные средние для испытуемого и для стимула, а также случайные коэффициенты для частотности и эмоциональной окраски слов. Оценки коэффициентов фиксированных эффектов данной модели и их статистическая значимость представлены в табл. 4. Т а б л и ц а 4 Значения коэффициентов фиксированных эффектов для итоговой модели и оценка их статистической значимости Фиксированные эффекты Коэф. Стд. ош. df t-знач. p(Satt) Константа 801,61 92,45 45,20 8,67 0,0000 Предшествующее ВР 0,06 0,01 4893,39 8,92 0,0000 Длина слова 3,14 2,00 111,75 1,57 0,1193 Логарифм частотности -25,06 7,31 61,89 -3,43 0,0011 Эмоциональная окраска: нейтральная -16,73 20,38 53,15 -0,82 0,4154 Эмоциональная окраска: позитивная -41,65 18,35 431,62 -2,27 0,0237 Личностная тревожность -55,15 29,59 39,64 -1,86 0,0698 Позитивный аффект -31,90 13,94 41,14 -2,29 0,0273 Негативный аффект 6,18 17,67 39,78 0,35 0,7285 Взаимодействие: нейтральная эмоциональная окраска х позитивный аффект 5,87 6,42 47,78 0,91 0,3652 Взаимодействие: позитивная эмоциональная окраска х позитивный аффект 9,92 5,79 384,94 1,71 0,0876 Примечание. />(Satt) - оценка уровня значимости с расчетом степеней свободы с использованием аппроксимации по методу Саттертуэйта. Доля объясняемой дисперсии для этой модели составила Яобщ. = 0,29, при этом доля дисперсии, объясняемая фиксированными факторами, составила R2фикс. = 0,049 (для оценки долей объясняемой дисперсии использовался метод, предложенный в работе [49]). Фиксированные эффекты, представленные наглядно в упорядоченной по величине последовательности на рис. 1, позволяют сделать вывод о наличии влияния на время реакции как лингвистических, так и психологических характеристик. Среди лингвистических факторов статистически значимый эффект показали позитивная эмоциональная окраска слова и его частотность. Оба эти эффекта являются отрицательными: влияние этих факторов проявляется в сокращении ВР. Эффект нейтральной эмоциональной окраски не является статистически значимым, однако он также лежит в диапазоне отрицательных значений. Таким образом, слова с негативной эмоциональной окраской характеризуются наибольшим временем реакции, а слова с позитивной окраской - наименьшим, хотя величина различий довольно мала (рис. 2). Из психологических факторов статистически значимое влияние на ВР показал позитивный аффект, который также приводит к сокращению ВР. Влияние личностной тревожности на ВР не достигает статистической значимости, однако есть тенденция к подобному эффекту (p < 0,10). Кроме того, на уровне тенденции (p < 0,10) обнаруживается положительный эффект взаимодействия позитивного аффекта и позитивной эмоциональной окраски слова. Этот факт означает, что лица с в

Скачать электронную версию публикации