A kutatás anyagát négy szótagos álszavak képezték, amelyeket önálló megnyilatkozásként hangosítottak meg a résztvevők. Az álszavak CV szerkezetű szótagokból álltak, amelyek mindegyikében a /p/ bilabiális zöngétlen explozíva volt a mássalhangzó. A bilabiális /p/ választása mellett a kismértékű lingvális koartikulációs hatás, valamint a magánhangzók ejtése közben az ajakmozgásnak az azonos (zárt) pozícióból indulása szólt. Egy álszón belül a vizsgált anyagban a magánhangzó minősége sem változott – ezzel kívántuk elérni azt, hogy ne érvényesülhessen a magánhangzók közötti koartikulációs hatás (vö. Deme et al. 2022). Négy, a magyar magánhangzókészletben legszélsőnek számító magánhangzót vontunk be a vizsgálatba: a hátul képzett és felső nyelvállású /u/-t, az elöl képzett és felső nyelvállású /i/-t, a hátul képzett és alsó nyelvállású /ɒ/-t és a nyelv vízszintes helyzetét tekintve centrálisnak tartott és legalsó nyelvállású/aː/-t. Az előbbi két magánhangzó kiválasztásához nem szükséges magyarázatot fűznünk, ugyanakkor az utóbbiak esetén felmerülhet a kérdés, hogy a klasszikusnak számító sarokmagánhangzók (/u/, /i/, /a/) helyett miért választottuk ki az /a/ mellett az /ɒ/-t is. Ennek a magyarázata az, hogy a magyarban az /aː/ fonológiailag mindig hosszú, illetve az /ɒ/ és az /aː/ között nemcsak fonológiai kvantitásbeli, hanem fonetikai minőségbeli eltérés is van (Nádasdy–Siptár 1994). Azt is megtehettük volna természetesen, hogy a felső nyelvállású magánhangzók esetében azoknak a minőségi különbséget nem mutató hosszú párjait vizsgáljuk, és így az /uː/, /iː/, /aː/ sarokmagánhangzót elemezzük. Annak, hogy nem így döntöttünk, két oka volt. Az egyik az, hogy a felső nyelvállásúak esetében a kvantitásbeli különbséggel együtt járó időtartamtöbblet könnyen semlegesül (vö. pl. Nádasdy–Siptár 1994), és ennek lehetnek akár egyénenként jelentősen eltérő mintázatai is. A döntés másik oka pedig az volt, hogy az álszavak vizsgálata már önmagában természetellenes beszédhelyzetet teremt, a ritkább és nagyobb erőfeszítést igénylő hosszú /uː/, /iː/ ismétlésével nem kívántuk tovább nehezíteni a résztvevők feladatát. Így végül a következő álszavak (négyelemű szótagsorok) szerepeltek a vizsgálati anyagban: pupupupu, pipipipi, papapapa, pápápápá.

A célszavakból típusonként (legalább) hat előfordulást rögzítettünk random sorrendben olyan álszavak (mint disztraktorok) között, amelyek ugyancsak négy CV szerkezetű szótagból álltak, ugyancsak /p/-t és ezt a négy magánhangzót tartalmazták, de a szerkezeten belül a magánhangzó-minőségek variálódtak (pl. pipupápa). A disztraktorok is legalább hat alkalommal ismétlődtek, de a célszavak és a disztraktorok sorrendjét teljes mértékben nem kontrolláltuk (előfordulhatott, hogy egymás után két, eltérő magánhangzó-minőségeket tartalmazó célszó is megjelent). Az álszavakat képernyőn jelenítettük meg a résztvevők számára, egyszerre egyet, és arra kértük őket, hogy „kijelentő mondatként” olvassák fel őket.

A vizsgálatot 16 csatornás AG501 típusú elektromágneses artikulográffal végeztük (Carstens Medizinelektronik GmbH). A képzőszervek egyes pontjaira szenzorokat illesztettünk, amelyek elhelyezkedését és mozgását a transzmitter tekercsek által generált elektromágneses térben lehet követni 1250 minta/s felbontással.

A beszélő feje mozog, és ahhoz, hogy a szenzorok mozgását a beszélőhöz illesztett koordináta-rendszerben lehessen követni, szükség van referenciapontokra, amelyek meghatározzák ezt a koordináta-rendszert. Erre szolgálnak a referenciaszenzorok a fülek mögött és az orrnyergen, valamint az úgynevezett „harapási lemez” (bite plate), amelynek segítségével a harapási vagy okklúziós síkot (az összezárt alsó és felső fogsor közti síkot) vesszük fel, és erre merőlegesen rögzítjük a keresztmetszeti síkot (1. ábra).

A jelen kísérletben a fej midszagittális vonalában az alsó és felső ajakra és az alsó fogínyre helyeztünk egy-egy szenzort, valamint a nyelv felső felszínére rögzítettünk további négyet. Egy szenzort rögzítettünk a nyelvhegyre (TT – tongue tip), egyet a nyelvperemre (TBL – tongue blade) és kettőt a nyelvhátra (TBO1, TBO2 – tongue body); a szenzorok közötti távolság mintegy 1 cm volt. Vizsgálatunkban a nyelvre helyezett első nyelvháti szenzor (TBO1), valamint az alsó és a felső ajakra helyezett szenzor helyzetét elemeztük, az előbbi alapján a nyelvhelyzetet, az utóbbiak alapján az ajkak közti távolságot (az ajaknyílás mértékét) határoztuk meg.

A résztvevők bemondásait akusztikus csatornán is felvettük 44,1 kHz-es mintavételi frekvencián, a szájzughoz helyezett omnidirekcionális, kondenzátoros fejmikrofonnal.

Az artikulációs adatok utófeldolgozását részben a Carstens-szoftver erre szolgáló moduljaival végeztük. A mért adatokat olyan módon forgattuk el, hogy a fej és a harapási sík orientációja minden beszélő esetében egyezzen, a harapási sík a vízszintessel párhuzamos legyen, a keresztmetszeti sík mint a koordinátarendszer (0,0,0) koordinátájú pontja pedig a metszőfogaknál pozícionálódjon. Ezután a háromdimenziós adatokat a midszagittális metszetet leképező kétdimenziós x–y síkra vetítettük, és az adatkinyeréshez használt Emu-adatbáziskezelővel (Winkelmann et al. 2018) kompatibilis kiterjesztésűvé konvertáltuk a Kölni Egyetem Fonetikai Intézetének (If L Phonetik) saját készítésű konverterével.

A célmagánhangzókat az akusztikai jel alapján szegmentáltuk és címkéztük félautomatikusan a BAS webszolgáltatás graféma-fonéma konverterének (Reichel 2012) és a MAUS rendszernek (Schiel 1999) a segítségével, majd a szükséges helyeken kézzel javítottuk a felismertetett hanghatárokat a Praat szoftverben (Boersma–Weenink 2019). Az így felcímkézett magánhangzók időbeli középpontjában nyertük ki a mért artikulációs és akusztikai adatokat. Az időbeli középpont mint mérési hely kiválasztását a fonetikai mérési hagyományokon túlmenően az is indokolja, hogy egy nagymintás vizsgálat (Whalen et al. 2018) eredményei alapján a magánhangzók ejtésekor az artikulációs célkonfiguráció elérése az akusztikai jel alapján meghatározott időbeli középpontra tehető.

A négy nyelvszenzor vízszintes (x tengely) és függőleges (y tengely) helyzetének adatait (abszolút értékben, a fenti koordináta-rendszer origójához képest) határoztuk meg, majd az adatfeldolgozás során a szenzorok helyzetét a következőképpen normalizáltuk (Cho 2004 alapján). Az egyes beszélők által bemondott /pu/ szótagok magánhangzójának időbeli középpontjában meghatároztuk a nyelvszenzorok vízszintes helyzetét, illetve a bemondott /pi/ szótag magánhangzójának időbeli középpontjában ugyancsak. Ezt követően kiválasztottuk az adott beszélő esetében a leghátsó szenzorpozíciót az /u/ ejtései közül, illetve a legelülső szenzorpozíciót az /i/-ejtések közül (tekintet nélkül arra, hogy a maximális értéket a célszavak vagy a disztraktorok valamelyikénél mértük). A továbbiakban ez a két érték szolgált a nyelv vízszintes helyzetének (x tengely) megragadására szolgáló skála „végpontjai”-ként úgy, hogy az /u/ esetében az x értéke a 0%-nak, az /i/ értéke pedig a 100%-nak felelt meg az adott beszélő esetében. Ugyanezt az eljárást alkalmaztuk a függőleges tengely skálájának meghatározására is beszélőnként, itt azonban a 0%-ot az adott beszélő legalsó nyelvállással ejtett /aː/ magánhangzója alapján határoztuk meg, a 100%-ot pedig a legfelső nyelvhelyzettel ejtett /i/ magánhangzója alapján. Ezzel a módszerrel a beszélők közötti variabilitást kontrollálni tudtuk, és mivel egységesen normalizáltuk az egyes szenzorok helyzetére mint függő változóra kapott adatokat minden beszélő esetében, ezért a vizsgálatban az összes beszélő adatait egyben kezeltük. A jelen elemzésben a nyelvhelyzetre vonatkozó adatokat az első nyelvháti szenzor (TBO1) pozíciója alapján mutatjuk be.

Másik artikulációs adatként a felső és az alsó ajakra rögzített szenzoroknak ugyancsak a magánhangzó időbeli középpontjában rögzített vertikális (y) helyzetét használtuk fel az elemzésben. Ezek alapján a szenzorpozíciók alapján kiszámítottuk az ajaknyílás mértékét, mégpedig úgy, hogy a felső ajakszenzor helyzetéhez tartozó y-értékből kivontuk az alsó ajakszenzor helyzetének y-értékét (Byrd 2000). Ezt szintén beszélőnként normalizáltuk: az adott beszélő esetén számított maximális ajaknyílásmértéket tekintettük 100%-nak (tekintet nélkül arra, hogy a maximális értéket a célszavak vagy a disztraktorok valamelyikénél mértük).

Az akusztikai adatok közül a magánhangzók időtartamát határoztuk meg, valamint a magánhangzók időbeli középpontjában detektáltuk az alapfrekvencia és az első két formáns frekvenciájának az értékét.

Az elemzett 5580 adat statisztikai vizsgálatát lineáris kevert modellekkel (lme4, Bates et al. 2015) végeztük az R programban (R Development Core Team 2019). A p- és F-értékeket Satterthwaite-approximáció segítségével nyertük ki, ami az lmerTest csomagban (Kuznetsova et al. 2017) elérhető. A hét függő változóra (azaz az f0, F1, F2, a magánhangzó időtartama, az első nyelvháti szenzor függőleges és vízszintes helyzete és az ajaktávolság) hét általános lineáris kevert modellt állítottunk. Minden függő változó esetében a célmagánhangzó (/i/, /u/, /ɒ/ és /aː/) és a szótag sorszáma (azaz a négy szótagú hangsorban hányadik magánhangzó) szerepeltek független változókként a modellben, valamint ezek interakciója, kiegészítve egy random változóval (random eltolás, azaz intercept), a beszélő személyével (modell = lmer(függő változó1−7 ~ célmagánhangzó ∗ szótag sorszáma + (1|beszélő))). A változók szintjeit, azaz a célmagánhangzókon belül a szótagok sorszámaihoz tartozó értékeket páronként post hoc tesztekkel vetettük össze az emmeans csomag segítségével (Lenth 202) (modell post hoc = lsmeans(modell1−6, list(pairwise ~ célmagánhangzó ∗ szótag sorszáma), adjust = "tukey")). Az adatokat a ggplot2 csomag segítségével ábrázoltuk (Wickham 2016).