Hier presenteren we een protocol om het effect van positieve geïnduceerde emotie op grammaticaleren bij vreemde taalleerlingen te meten met behulp van een semi-kunstmatige taal die de grammaticale regels van een vreemde taal integreert met het lexicon van de inheemse Language.
Eerdere studies hebben aangetoond dat emotie een aanzienlijke invloed heeft op het leren van vreemde taal woordenschat en tekstueel begrip. Er is echter weinig aandacht besteed aan het effect van geïnduceerde emotie op grammaticaleren. Dit onderzoek onderzocht de invloed van positieve geïnduceerde emotie op het leren van Japanse grammaticale regels onder een groep leerlingen met Chinees als moedertaal, met behulp van een semi-kunstmatige taal (dwz Chipanese), die de grammaticale regels van het Japans en de woordenschat van het Chinees combineert. Muziek werd gebruikt om positieve emotionele omstandigheden bij de deelnemers aan te roepen. Deelnemers moesten Chipanese zinnen leren in een training door middel van de praktijk en vervolgens een grammaticaliteit oordeel taak werd toegediend om leerresultaten te meten. We ontdekten dat deelnemers in positieve emotionele toestanden minder nauwkeurig en efficiënt presteerden dan die in de controlegroep. De bevindingen suggereren dat het protocol effectief is in het identificeren van het effect van positieve geïnduceerde emotie op grammatica leren. De implicaties van dit experimentele paradigma voor het onderzoeken van het leren van vreemde talen worden besproken.
Emoties spelen een cruciale rol in verschillende cognitieve activiteiten zoals perceptie, leren, redeneren, onthouden en het oplossen van problemen. Omdat het leren van talen aandacht, redenering en memorisatie vereist, kunnen emoties een aanzienlijke invloed hebben op de resultaten van het leren van talen1. Verschillende eerdere studies hebben het effect van geïnduceerde emoties op woordproductie of tekstbegrip2,3onderzocht en hebben consequent aangetoond dat emotie een cruciale invloed had op de twee taalprocessen. Egidi en Caramazza stelden bijvoorbeeld vast dat positieve emotie de gevoeligheid voor inconsistentie in tekstbegrip in de hersengebieden die specifiek zijn voor inconsistentiedetectie verhoogde, terwijl negatieve emotie de gevoeligheid voor inconsistentie in minder specifieke gebieden verhoogde2. Hinojosa et al. onderzochten het effect van geïnduceerde stemming op de woordproductie en ontdekten dat een negatieve stemming het ophalen van fonologische informatie tijdens woordproductie3belemmerde. Ondanks het bewijs waaruit blijkt dat emoties een duidelijke invloed hebben op tekstbegrip en woordproductie, is het nog steeds niet duidelijk of emoties van invloed zijn op grammaticaleren, een van de essentiële aspecten van het leren van talen. De huidige studie was gericht op het verkennen van het effect van de emotionele toestanden van leerlingen op grammaticaleren.
Taal en emotie zijn twee primaire componenten van de menselijke ervaring4. Hun relaties zijn meestal onderzocht door studies in affectieve neurolinguïstiek. Op het niveau van één woord hebben eerdere studies consequent aangetoond dat emotionele kenmerken, zoals opwinding of valentie, de verwerking van individuele woorden5,6,7aanzienlijk beïnvloeden. In het bijzonder hebben sommige studies een significant voordeel voor positieve woorden5geïdentificeerd , en andere studies hebben een voordeel gevonden voor zowel positieve als negatieve woorden7. Hoewel sommige studies een interactie tussen valentie en opwinding hebben gemeld, werd een gebrek aan significante interactie gemeld in ander onderzoek4. Het beeld is complexer op het niveau van zinsverwerking. Eerdere studies hebben onderzocht kwesties met betrekking tot de interactie tussen emotionele inhoud en syntactische of semantische eenwording processen tijdens zin begrip. Emotionele informatie blijkt verschillende invloeden uit te oefenen op de verwerking van geslacht of nummerkenmerken4. Verder werd positieve en negatieve emotie in verband gebracht met verschillende effecten van overeenstemming4. Positieve emotionele kenmerken vergemakkelijkten bijvoorbeeld de verwerking van de getalovereenkomst, terwijl negatieve emotionele kenmerken deze processen remden4. Op semantisch niveau beïnvloedden emotionele kenmerken semantische eenwordingsprocessen in zowel zin- als discourscontexten door de activering van de hersengebieden die betrokken zijn bij enkele tekstverwerking en combinatorische semantische processen4. Een overzicht van de vorige literatuur geeft aan dat het meeste eerdere onderzoek is gericht op de effecten van emotionele informatie op het begrip van woorden, zinnen en teksten8,9, of de neurale basis van emotionele effecten op de taalproductie10,11. Hoe de affectieve toestanden van individuen de taalverwerking of het leren kunnen beïnvloeden, is echter grotendeels over het hoofd gezien.
De meest gebruikte benadering van de studies van emoties in grammatica leren is de kunstmatige grammatica leren paradigma. Verschillende studies hebben kunstmatige grammaticataken gebruikt om het effect van emotie op het leren van een nieuwe taal te onderzoeken12. Voor het eerst geïntroduceerd door Reber in 196713,de kunstmatige grammatica leren paradigma wordt gekenmerkt door het gebruik van niet-zinvolle materialen, zoals nummer snaren of niet-woord letter strings, die in feite worden gegenereerd door een onderliggende grammatica. Onderzoekers meestal blootgesteld deelnemers in verschillende emotionele staten (positief, neutraal, of negatief) aan het aantal snaren of letter strings gepresenteerd, hetzij visueel of hoorbaar en gemeten hun leerresultaten. Studies met de kunstmatige grammatica benadering bestaan meestal uit een training en een testsessie. In de trainingssessie krijgen de deelnemers de opdracht om een lijst met symboolsequenties die worden gegenereerd uit een eindige staatsgrammatica te observeren of te onthouden. Deelnemers worden geïnformeerd dat de sequenties een bepaalde reeks regels volgen, maar ze krijgen geen details over deze regels. In de testsessie krijgen de deelnemers nieuwe symboolsequenties voorgeschote’s voorgeschoten voorgeschoten voorgeschoten voorgeschoten voorgeschoten voorgeschoten voorgeschoten voorgeschoten en andere niet. Ze zijn dan verplicht om te beoordelen of de snaren zijn grammaticaal of niet. Kunstmatige grammatica taken maken het mogelijk de instantiatie van verschillende theorieën van het leren, zoals regels, gelijkenis, en associatieve leertheorieën14. Deze aanpak kan effectief minimaliseren van de invloed van lexicale factoren op het leren van grammaticale regels, als kunstmatige talen zijn opgebouwd uit cijfers, letters, of andere betekenisloze symbolen, in plaats van woorden in natuurlijke talen. Echter, veel onderzoekers hebben betoogd dat de kennis verworven in kunstmatige grammatica leren kan statistische eigenschappen die verschillen van de kenmerken van de natuurlijke grammatica gebruikt door de mens15vertegenwoordigen. Bewijs uit neurologische studies toont aan dat de grammatica’s in natuurlijke talen anders worden verwerkt dan de eindige grammatica’s die worden gebruikt in kunstmatige grammatica leertaken16,17. Daarom kunnen kunstmatige grammatica leertaken niet het leren van menselijke talen weerspiegelen. Studies van het emotie-effect op grammaticaleren met behulp van kunstmatige grammatica’s zullen eerder onthullen hoe emotie statistisch leren beïnvloedt, in plaats van het leren van natuurlijke grammatica’s in menselijke talen. Het is niet helemaal duidelijk of bevindingen van de zinloze stimuli kunnen worden gegeneraliseerd tot het leren van vreemde talen.
De huidige studie was bedoeld om een semi-kunstmatig taalparadigma aan te nemen om het effect van emotie op grammaticahet leren te onderzoeken. Semi-kunstmatige taaltaken werden voor het eerst geïntroduceerd door Williams en Kuribara om het leren van talen te onderzoeken. Een semi-kunstmatige taal wordt gegenereerd met de combinatie van lexicon in de moedertaal van de leerlingen en de grammatica van een andere taal. Een voorbeeld van dergelijke taal is te vinden in Williams en Kuribara’s studie18. Williams en Kuribara ontwierpen een nieuwe semi-kunstmatige taal, Japlish, die het woord orde en case-markering regels van de Japanse gevolgd, maar gebruikt Engels woordenschat18. Voorbeeld Japlish zinnen in hun studie zijn voorzien in tabel 1.
Structuur | Voorbeelden |
Sv | Horse-ga toen viel? |
Sov | Pilot-ga dat runway-o zaag |
SIOV SIOV | Student-ga dog-ni what-o aangeboden? |
S wanneer wat-o V? | Bill-ga toen wat-o zong? |
S who-ni what-o V? | Die doctor-ga who-ni what-o liet zien? |
S [SOV]V | John-ga boos Mary-ga dat ring-o verloren dat gezegd. |
OS[SV]V | Dat ziekte-o dierenarts-ga cow-ga hebben dat verklaard. |
Tabel 1: Voorbeeldzinnen in een semi-kunstmatige taal. De zinnen werden gegenereerd met Engelse lexis en Japanse syntaxis. De zinnen in de tabel zijn van Williams en Kuribara’s studie18.
Zoals in de tabel wordt weergegeven, worden engelse woorden weliswaar gebruikt, maar worden ze gecombineerd tot zinnen in overeenstemming met de Japanse woordvolgorde en regels voor het merken van gevallen. De Jaappische zinnen zijn allemaal werkwoord-definitief en zelfstandige naamwoorden zijn case-marked voor onderwerp (-ga), indirect object (-ni), of object (-o). Een gedetailleerde beschrijving van Japlish is te vinden in Grey et al.’s studie19. Semi-kunstmatige taaltaken omvatten een trainingsfase en een testfase. Tijdens de trainingsfase krijgen de deelnemers de opdracht om een nieuwe taal te leren en in de testfase moeten ze beoordelingstaken of zinsfoto-matchingtaken uitvoeren. De nauwkeurigheid en reactietijden (RT’s) van hun antwoorden worden geregistreerd om hun leerprestaties te beoordelen.
Semi-kunstmatige taaltaken hebben voornamelijk drie voordelen: Ten eerste, als semi-kunstmatige talen worden gemaakt met behulp van grammaticale regels in een nieuwe taal, kunnen de taken de invloed van voorkennis van de structuren en taaloverdracht minimaliseren19. Ten tweede stellen de taken ons in staat om het type en de hoeveelheid blootstelling te controleren en te manipuleren die deelnemers ontvangen19. Op deze manier maken ze een nauwkeurigere beoordeling van de leereffecten mogelijk. Ten slotte, als de grammatica’s die worden gebruikt in semi-kunstmatige taal taken zijn van menselijke talen, de taken stellen ons in staat om te meten hoe deelnemers verwerven natuurlijke grammatica’s, in plaats van kunstmatige degenen. In dit aspect zijn ze voordeliger dan kunstmatige grammaticataken waarbij sequenties van cijfers of letters worden gebruikt in plaats van echte woorden. Het gebruik van natuurlijke grammatica maakt ons meer vertrouwen om te concluderen dat de verkregen bevindingen van toepassing zijn op het leren van natuurlijke talen. Aangezien eerdere studies leereffecten hebben aangetoond met behulp van het semi-kunstmatige taalparadigma20,21,22, is het een nuttige benadering voor het onderzoeken van kwesties in het leren van talen die moeilijk te isoleren zijn in de complexe context van natuurlijk taalonderzoek. Semi-kunstmatige taaltaken zijn echter alleen van toepassing op vreemde talen die structureel verschillen van de moedertaal van lerenden. Als de geteste taal structureel vergelijkbaar is met de moedertaal van de lerenden, zou het de eerste niet van de laatste te onderscheiden kunnen maken.
In vergelijking met de taken met behulp van natuurlijke talen, semi-kunstmatige taal taken zorgen voor een meer objectieve beoordeling van de effecten van emotie op grammatica leren. Dit komt omdat woorden in natuurlijke talen nauw verbonden zijn met specifieke grammaticale functies. Bijvoorbeeld, levenloze zelfstandige naamwoorden (bijvoorbeeld, bureau, nagel) hebben meer kans om te functioneren als de patiënten van werkwoorden. Zo is het moeilijk om de prestaties van woordenschat leren van die van grammatica leren te onderscheiden, omdat de twee zijn met elkaar verbonden en onlosmakelijk verbonden in natuurlijke talen. Aangezien emoties zijn gevonden om vitale invloed op tekstverwerking23,24hebben, kunnen ze indirecte invloed hebben op grammatica leren. Daarom is het niet gemakkelijk om duidelijk te differentiëren het effect van emotie op woordenschat leren van dat op grammatica leren. Dit probleem kan gemakkelijk worden opgelost in semi-kunstmatige taaltaken, omdat deze taken zorgen maken voor de scheiding van woordenschat van grammatica, en dus ons in staat stellen om het effect van emotie op grammatica leren te identificeren, zonder zich zorgen te maken over de interferentie van lexicale leren.
Hoewel het semi-kunstmatige taalparadigma in sommige studies is gebruikt om taalkundige kennis in tweede taalverwerving te onderzoeken25,26, is deze benadering zelden gebruikt om individuele verschillen van leerlingen in emotionele voorwaarden in het vreemde taalonderwijs te onderzoeken. In deze studie wilden we onderzoeken hoe positieve geïnduceerde emotie het grammaticaleren beïnvloedt met behulp van een semi-kunstmatige taal. De bevindingen van deze studie hebben belangrijke implicaties voor het onderwijs en het leren van vreemde talen.
De resultaten geven aan dat de deelnemers beoordeelden hun emoties aanzienlijk positiever na blootstelling aan de positief-valenced muziek. Deze onderwerpen waren aanzienlijk gelukkiger dan de controlegroep. Dit suggereert dat onze emotie manipulatie succesvol was. Deelnemers aan de groep met positieve emoties bleken aanzienlijk minder nauwkeurig en efficiënt te zijn dan die in de controlegroep. Een mogelijke reden is dat deelnemers een inductieve strategie hanteren in grammaticaleren, wat resulteert in een sterke afhan…
The authors have nothing to disclose.
Deze studie werd ondersteund door het kernproject [18AYY003] van de National Social Science Foundation of China, het National Research Centre for Foreign Language Education (MOE Key Research Institute of Humanities and Social Sciences at Universities), Beijing Foreign Studies University, en het post-gefinancierde project van Beijing Foreign Studies University [2019SYLHQ012].
E-prime | PST | 2.0.8.22 | Stimulus presentation software |
Computer | N/A | N/A | Used to present stimuli and record subjects' responses |
Self-Assessment Manikin (SAM) | N/A | N/A | Used to assess subjects' affective states. From Lang (1980)29 |