자극 12개의 새로운 단어와 12개의 새로운 사물이 사용되었습니다.단어는 Dal Ben et al.( 2021 )에서 가져왔습니다.음성적 확률을 엄격하게 제어하기 위해 단어는 3단계로 생성되었습니다.먼저 Vitevitch와 Luce( 2004 )가 제안한 알고리즘을 다음과 같은 방식으로 브라질-포르투갈어 바이폰 데이터베이스(Estivalet & Meunier, 2015 )에 적용했습니다.바이폰의 로그(10진법) 음성적 확률은 각 단어 위치의 각 바이폰(토큰)의 로그 빈도 합을 해당 위치에 바이폰이 있는 단어(토큰)의 총 로그 빈도로 나누어 계산했습니다(예: 첫 번째 바이폰인 /mæ/의 로그 빈도를 적어도 하나의 바이폰이 있는 모든 단어의 총 로그 빈도로 나눈 값).로그 변환은 원시 빈도에 비해 언어 작업에서 성과와 더 잘 상관관계가 있다고 보고되었기 때문에 사용되었습니다(Vitevitch & Luce, 2004 ). 둘째, 이중음을 찾아 연결하는 검색 엔진을 만들었습니다. 이 엔진을 사용하여 자음-모음 구조(CVCV)를 갖고 브라질-포르투갈어에서 가장 높은 음운적 확률을 가진 6개의 새로운 이음절 단어를 만들었습니다(PP+로 표시; 표 1 ). 마지막으로, 이들의 이중음을 재결합하여 약간 덜 가능성이 있지만 여전히 음운적 확률이 높은 다른 6개의 새로운 단어를 만들었습니다(PP−로 표시; 표 1 ). 셋째, PP+와 PP− 세트는 여성 브라질-포르투갈어 데이터베이스 br4(Dutoit et al., 1996 ) 를 사용하여 MBROLA 음성 합성기를 사용하여 녹음했습니다 . 각 단어는 696ms 동안 지속되었고, 평균 F0는 220Hz, 평균 강도는 77dB였습니다. 표 1 음성 표기(IPA), 가장 높은 음성 확률을 갖는 의사 단어 집합(PP+)과 가장 낮은 음성 확률을 갖는 집합(PP−)의 음성 확률(PP) 전체 크기 테이블 객체 는 높은 수준의 구별성( M = 90%)과 참신성( M = 77%) 을 지닌 NOUN 데이터베이스(Horst & Hout, 2016 )의 3D 사진 이었습니다. 단어와 객체는 무작위로 쌍을 이루었습니다. 또한 잘못된 관계를 피하기 위해 세트 간에 객체를 바꾸어 쌍의 균형을 맞춘 버전을 만들었습니다. 참가자는 이러한 버전 중 하나에 무작위로 배정되었습니다. 모든 자극은 OSF( https://osf.io/6fqzg/ )에서 공개적으로 사용할 수 있습니다.구글상위노출 구글상위노출 구글상위노출 슈가티비 카지노솔루션 스포츠중계 우머나이저 넥스트 카지노솔루션 분양 구글 백링크 백링크구매 먹튀검증 안전한놀이터 먹튀사이트신고