汉语非声调语言背景学习者的选择性元音-声调整合：来自MMN加性效应的证据

《Brain Research》：Toward selective vowel-tone integration in non-tonal L2 learners of Mandarin: Evidence from MMN additivity

　　

母语为汉语的听者在前注意阶段将辅音、元音和声调进行整合；非声调语系的二语学习者独立处理CV和CT，但有选择性地整合VT；二语元音-声调整合由音节核内的声学邻近性驱动；通过MMN加和性的神经证据修正维度迁移假设。

**引言**

音节感知需要大脑持续处理传入的声学信号，并实时提取音段性信息（如辅音和元音）和超音段性信息（如声调、重音和韵律）（Samuel, 2011）。尽管看似毫不费力，言语感知却涉及复杂的神经计算，从编码精细的声学线索到构建支持后续意义解释的音位表征（Gwilliams等人，2025）。言语感知研究中的一个核心问题是，音段性信息和超音段性信息是否以及如何在统一的感知表征中被整合（Choi和Lai, 2023；Choi和Tsui, 2023；Liu等人，2025）。在英语等非声调语言中，音段性信息主要决定音位对立，而超音段性信息则起次要作用，如传达说话者的情感或韵律结构。相比之下，在汉语等声调语言中，音段性信息和超音段性信息（即声调）共同指定音位身份。例如，在汉语中，相同的音段序列在使用不同声调时会传达完全不同的意义（Yip, 2002）。

为了理解音段信息和声调信息在口语词识别中是如何被处理的，研究者在TRACE模型的框架下提出了两种相互竞争的理论观点。TRACE模型（McClelland & Elman, 1986）是经典的言语感知模型，最初为非声调语言而开发。该模型提出三个表征层级：特征层（即辅音和元音的声学特征）、音素层（即具体的辅音和元音）以及词层（即词汇表征）。然而，TRACE模型并未明确说明词汇声调（以下简称声调，声调语言独有的音位特征）是如何被表征或处理的。为解决这一空白，研究者提出了几种修订模型，大致可分为独立加工和整合加工两类。

独立加工观点认为，音段信息和声调信息作为独立的音位单位被编码并独立加工。Ye和Connine（1999）首先将声调层（与音素层平行）添加到TRACE模型中，将声调独立于辅音和元音存储。类似地，Shuai和Malins（2016）在其计算模型jTRACE中将声调实现为与音素平行编码的独立音位单位，允许对声调和音段信息进行同时提取。尽管这些基于TRACE的框架假设音段和声调维度具有分离的表征且可并行加工并同时提取，Gao等人（2019）提出了反向提取模型（RAM）作为TRACE的修改扩展，其中信息提取自上（词层）向下进行，低层信息（音素、声调）不易直接提取，但当任务要求时需要被"重新激活"。他们的行为数据揭示了一种不对称干扰模式；具体而言，声调判断容易受到辅音和元音变化的干扰，而音段判断则基本不受同时的声调变化影响。尽管这种不对称性并不意味着两个维度之间存在完全对称的相互独立性，但该模型仍假设音素和声调对应于不同的表征单位，而非单一的整合音位表征。所观察到的不对称性主要源于表征可及性的差异：音段信息更容易获取，而词汇声调表征相对"隐蔽"，需要额外的重新激活资源。

相比之下，整合加工观点假设音段信息和声调信息在前注意加工阶段就被整合。Tong等人（2014）提出了TTRACE模型（声调-TRACE），即将原始TRACE模型扩展至声调语言。在TTRACE中，辅音、元音和声调在同一个音素-声调层被编码，三个维度共同决定音位身份。Choi等人（2017）进一步在TTRACE框架内具体指出，元音和声调在共享的音位单位中被联合编码，表明这两个维度之间存在特别紧密的整合。Yu等人（2022）提供了支持整合观点的神经生理学证据，证明对于母语为粤语的听者而言，声调与元音、声调与辅音、元音与辅音均被整合加工，无论词汇性（真实词与伪词）或声调类型（平调与轮廓调）。值得注意的是，支持整合加工观点的大多数证据来自言语感知研究。相比之下，一项产出研究发现了一个两阶段模型的证据，即声调在早期阶段被独立提取，随后在晚期进行声调-音节整合（Chen & Zhang, 2025）。这表明音段-声调整合的方式可能在感知和产出模式之间有所差异，或者在不同加工阶段（前注意阶段与注意阶段）有所不同。

鉴于声调在声调语言和非声调语言中扮演的不同角色，研究者考察了声调语言和非声调语言的一语听者在整合音段和声调信息方面是否存在感知模式差异。实证证据表明，声调语言（如汉语普通话或粤语）的一语听者倾向于在前注意加工阶段整合音段和声调信息（Choi等人，2017；Gao等人，2012；Repp和Lin, 1990；Yu等人，2022）。相比之下，非声调语言的一语听者似乎在早期阶段独立感知音段和声调信息，整合仅在更晚期、更注意阶段才出现（Choi和Tsui, 2023；Lin和Francis, 2014）。

为解释这些跨语言差异，更近期的理论工作提出了维度迁移假设（Choi & Tsui, 2023）。该假设认为，一语的感知经验塑造了超音段信息和音段信息的感知整合性（或非整合性），且这种感知模式可以迁移至对不熟悉的外语的加工中。支持性证据表明，粤语听者（但英语听者不是）能整合加工泰语的声调和音段信息，尽管他们此前对泰语毫无了解（Choi & Tsui, 2023）。这些发现表明，音段-声调整合的感知模式并非固定不变，而是受语言经验塑造，甚至可以迁移至对完全陌生的声调语言的加工中。

基于这些跨语言差异和迁移效应，进一步的问题是：非声调一语听者在对声调二语的加工中是否维持其母语的独立感知模式，还是随着二语经验的积累逐渐转向更整合的模式？初步的行为学证据表明，声调二语经验可能促进整合感知。例如，Zou等人（2017）采用ABX任务考察荷兰语母语者如何加工汉语的音段和声调信息。他们比较了三种条件下的参与者反应时（RT）：音段与声调条件（两个维度均可用于分类）、强制音段条件（分类必须仅依赖音段信息，而声调变化）、以及强制声调条件（分类必须仅依赖声调信息，而音段变化）。其逻辑在于，如果音段和声调信息被整合加工，则要求听者仅关注一个维度（而另一个维度变化）应因无关维度的干扰而减慢反应。结果显示，荷兰语母语者的汉语学习者与汉语母语听者一样，在强制音段和强制声调条件下的反应时显著慢于音段与声调条件，表明对音段和声调信息的整合感知。相比之下，汉语初学者（与非声调经验的荷兰语母语听者类似）未表现出这种干扰模式，表明他们独立加工两个维度。然而，关于这一问题的神经生理学证据仍然有限。特别是，目前尚不清楚非声调二语学习者所观察到的感知模式是与其一语相似，还是接近声调一语听者的模式。

解决上述问题需要一种能够指向前注意、神经生理学水平的独立加工与整合加工的方法。错配负波（MMN）加和性分析提供了这样的工具。MMN是一种成熟的事件相关电位（ERP）成分，反映对听觉变化的前注意加工。它由嵌入在频繁"标准"刺激中的低频"偏差"刺激诱发（如奇偶范式中的SSSSDSS，其中S=标准，D=偏差），通常在前额-中央区头皮区域于偏差刺激出现后150–250毫秒达到峰值（N??t?nen等人，2007, 2010）。

MMN加和性的逻辑基于神经总和原理，已被用于考察听觉信息的两个维度是被独立加工还是整合加工（Caclin等人，2006；Choi等人，2017；Gao等人，2012；Yu等人，2022）。具体而言，如果两个维度的信息（如声调和元音）被独立加工且分别由不同、不重叠的神经群体负责，那么双偏差（如声调+元音）诱发的MMN应约等于各单偏差诱发的MMN之和（即MMN双偏差 ≈ MMN声调 + MMN元音），因为每个维度所分配的神经资源并行运作而不产生干扰。相反，如果两个维度被共享或相互作用的神经群体整合加工，则双偏差的MMN将显著小于各单偏差MMN的总和（即MMN双偏差 < MMN声调 + MMN元音）。这种次加和模式反映了神经整合，因为由于共享加工资源或表征重叠，联合偏差不会产生加和效应。

整合导致反应变小而非变大的原因根植于神经经济原则。当两个维度被整合加工时，大脑将双偏差视为相对于整合感知模板的单一、统一的偏差，而非两个独立的偏差。因此，神经反应反映的是整合层面的单一"错配"检测，通常小于两个独立错配信号之和。换言之，共享的神经资源被激活一次而非两次，从而产生次加和的反应模式作为整合的神经标志（Caclin等人，2006；Hansen等人，2022）。正如Yu等人（2022）在粤语母语听者中所示，MMN加和性可以有效揭示声调、元音和辅音的整合加工。在所有双偏差条件下（辅音+元音、辅音+声调、元音+声调），原始MMN振幅显著小于加和MMN振幅（各单偏差MMN之和），为声调语言听者的整合加工提供了神经生理学证据。

本研究采用脑电图（EEG）技术考察汉语语音的音段（辅音和元音）和超音段（声调）信息在母语一语听者和非声调二语听者中是被独立感知还是整合感知。选择汉语是因为其在声调语言中的代表性。遵循先前研究（Choi等人，2017；Yu等人，2022），我们采用了经典的被动式奇偶范式，其中标准刺激（/da1/）在90%的试次中出现，偏差刺激（10%）在单维度（辅音、元音和声调）或双维度（辅音+元音、辅音+声调、元音+声调）上与标准刺激不同。通过MMN加和性分析确定辅音、元音和声调是否在神经层面被独立感知还是整合感知。与传统行为测量相比，该方法具有关键优势。行为反应（如ABX任务中的反应时）反映的是决策过程，可能涉及策略性控制或反应偏差（Choi等人，2017；N??t?nen等人，2010）。因此，行为范式无法确定整合是在早期、前注意阶段发生，还是仅在显式任务要求下才出现。相比之下，MMN无需注意即可被动诱发，绕过了有意识的策略（N??t?nen等人，2007）。

本研究的主要贡献有两方面。第一，我们提供了直接的电生理学证据，说明二语经验是否调节非声调二语学习者音段和声调加工的感知模式。尽管声调一语听者和非声调一语听者之间的跨语言差异已有充分记录，但关于非声调二语听者音段和声调信息的感知模式知之甚少。第二，电生理学证据补充了先前的行为学发现，后者可能受策略性控制和注意需求的干扰。基于文献，我们提出了以下假设。首先，对于汉语母语一语听者，我们预期在前注意阶段对音段和超音段维度进行整合加工。具体而言，双偏差刺激（即辅音+元音、辅音+声调、元音+声调）诱发的MMN振幅预计显著小于相应单维度偏差之和，反映神经整合（次加和性）。其次，对于非声调二语汉语学习者，我们推导出两种相互竞争的预期。第一种预期直接来源于维度迁移假设（Choi & Tsui, 2023）。

如果二语学习者的母语感知模式（即独立模式）转移到二语语音感知中，我们将观察到伴随叠加性 MMN 反应的独立加工。另一种预测是，如果普通话的二语经验帮助学习者克服母语偏见，我们将观察到类似于普通话母语者的次叠加性 MMN 反应。各部分片段参与者 共有 39 名参与者分为两组完成了实验。使用 G*Power（版本 3.1.9.6；Faul 等，2009）进行了先验功效分析，以确定检验研究假设所需的最小样本量。具体而言，我们针对混合 2 × 2 × 3 设计（语言组 × MMN 类型 × 偏差组合）中的关键语言组 × MMN 类型交互作用进行了测试，该设计直接检验神经整合模式是否随语言组变化，这是核心结果 24 名母语者和 15 名二语者的数据被纳入后续统计分析。根据 Fz 电极在 150–300 毫秒内的总体平均差值波，L1 组的 MMN 反应在刺激开始后 172 毫秒达到峰值，L2 组为 206 毫秒。为了在统计上确认这种潜伏期差异，我们按照总体平均峰值识别所使用的相同程序，提取了每位参与者在 Fz 电极的 MMN 峰值潜伏期，如讨论 本研究旨在调查普通话语音中的音段和声调线索在早期、前注意阶段是独立加工还是整合加工，并评估二语经验如何调节非声调母语者的这种感知模式。通过利用 MMN 叠加性分析，得出了几个关键发现。首先，对于母语者，在所有双偏差条件下（CV、CT 和 VT）均一致观察到稳健的次叠加性 MMN 模式。其次，相比之下，结论 本研究揭示了母语者和非声调二语者在普通话音节感知中前注意整合音系维度的明显不对称性。普通话母语者表现出稳健的、全局次叠加性 MMN 模式，表明辅音、元音和声调被无缝整合成统一的感知表征。相比之下，非声调二语学习者对 CV 和 CT 组合默认采用独立加工模式，同时显示出初步的 CRediT 作者贡献声明 Yuyueze Mao：写作 – 审阅与编辑、写作 – 初稿、可视化、验证、软件、方法学、调查、正式分析、数据管理、概念化。Mengchen Li：验证、调查、正式分析、数据管理。Xiao Cai：写作 – 审阅与编辑、监督、资源、项目管理、方法学、资金获取、概念化。未引用参考文献 Jensen 和 MacDonald（2023）。利益冲突声明 作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能被认为影响了本论文报告的工作。致谢 本工作得到中华人民共和国教育部人文社会科学研究项目（青年项目：编号 23YJC740001）资助，授予 Xiao Cai。Yuyueze Mao|Mengchen Li|Xiao Cai