آیا پردازش ادراکی خوشه‌های همخوانی آغازی در زبان فارسی منجر به درج واکه خیالی می‌شود؟

1. مقدمه

در نظریۀ صوت‌شناختی درک گفتار، درک پیام زبانی از رهگذر پردازش شنیداری الگو‌های صوت‌شناختی در حوزۀ شنوایی و نگاشت الگو‌های صوت‌شناختی در حوزۀ شنوایی و نگاشت الگوهای صوت‌شناختی بر مشخصه‌ها یا واحدهای آوایی ناپیوسته صورت می‌گیرد (Stevens, 1989:244-253; Nearey, 1997:3-10  ). براساس این نظریه، الگوهای صوت‌شناختی هر واج یا مشخصۀ واجی به‌صورت الگوهای آوایی مرجع در بازنمایی آوایی آن ذخیره می‌شود و درک آن واج یا مشخصۀ واجی از رهگذر انطباق الگوهای صوت‌شناختی درونداد با الگوهای آوایی مرجع در بازنمایی آوایی آن واحد واجی صورت می‌گیرد (Stevens, 1989:244-253; 2000:1-2)؛ از این رو، شنونده ابتدا امواج صوتی حاصل از فعالیت دستگاه گفتار را به نوعی بازنمود ادراکی می‌نگارد که دربرگیرندۀ مجموعه‌ای از پارامترهای آوایی ناپیوسته (دو ارزشی) است و سپس پیام زبانی را از رهگذر انطباق بین بازنمود ادراکی و الگوهای واجی درک می‌کند ( Fant & Högskolan, 1957:2-6; Stevens, 1989:244-253 ). در چارچوب نظریۀ صوت‌شناختی درک گفتار، هر واحد واجی به‌مثابه یک واحد ادراکی در فضای صوت‌شناختی خود یک حوزۀ مغناطیسی ایجاد می‌کند و تمامی نمونه‌های وابسته به خود را جذب می‌کند (Nearey, 1992: 1-4; 1997:3-10). به عبارت روشن‌تر، الگوهای صوت‌شناختی مرجع در بازنمایی آوایی واحدهای واجی به‌گونه‌ای مشخص شده‌اند که شنونده می‌تواند مرز ادراکی میان آنها را تشخیص دهد و پارامترهای صوت‌شناختی را در نواحی ادراکی خاص خود بنگارد.

درک آواهای غیربومی در پژوهش‌‌های شنیداری به‌طور نظام‌مند بررسی شد. نتایج این پژوهش‌ها نشان می‌دهد هنگامی که یک آوا یا زنجیرۀ آوایی ناآشنا دریافت می‌شود، سعی می‌کنیم آن را با نظام آوایی زبان خود همگون کنیم. یعنی در آن تغییرهایی ایجاد کنیم تا با ساخت واجی زبان‌‌مان هماهنگ شود. پپرکمپ^[1] و دوپو[2] (2002) معتقدند این تغییرها، تغییرهای آوایی کمینه‌ای هستند که به‌هنگام درک گفتار ایجاد می‌شوند. از نظر آنها، نظام درک شنیداری گفتار شامل یک رمز گذارنده آوایی^[3] است که واحدهای آوایی غیربومی یا غیرمجاز را به نزدیک‌ترین مقولۀ آوایی ممکن در نظام آوایی زبان بومی می‌‌نگارد. به این ترتیب، صورت‌های واجی غیردستوری و بدساخت به نزدیکترین صورت‌های واجی خوش ساخت^[4] در واج‌شناسی بومی نگاشته می‌شوند.^[5]

در پژوهش حاضر نقش واج‌آرایی زبان فارسی را در درک و پردازش شنیداری زنجیره‌های آوایی غیرمجاز فارسی در چارچوب یک مطالعۀ آزمایشگاهی بررسی کرده‌ایم. با توجه به محدودیت‌های ساخت هجایی زبان فارسی مبنی بر وجود تنها یک همخوان در آغازۀ هجا، هدف اصلی پژوهش پاسخ‌گویی به این پرسش است که آیا فارسی‌زبانان رشته‌های آوایی دست‌کاری‌شدۀ بی‌معنیِ C1V1C2V2C3 را که در آنها V1 به درجه‌های مختلف از سیگنال آوایی گفتار حذف می‌شود، به‌صورت C1V1C2V2C3 درک می‌کنند. یعنی V1 را با وجود حذف کامل از زنجیرۀ آوایی به یک واحد واکه‌ای در بازنمود واجی رشتۀ آوایی پخش‌شده می‌نگارند. یا آنکه شنونده‌‌ها به درجه‌های مختلفِ حذف V1 در سیگنال گفتار حساسیت شنیداری نشان می‌دهند؛ بنابراین، بین صورت‌های آوایی که در آنها V1 حذف شده و صورت‌هایی که در آنها V1 حذف نشده است، تمایز شنیداری برقرار می‌کنند.

مطابق با پیشینۀ پژوهش‌های انجام‌شده، فرض می‌شود دانش واجی فارسی‌زبانان بر پردازش درکی زنجیره‌های صوتی غیرمجاز تأثیرگذار است؛ بنابراین، چون در زبان فارسی هجاهای C1C2 وجود ندارد، فارسی‌زبانان این توالی آوایی را به‌صورت C1VC2 می‌شنوند. به بیان دیگر، شنونده‌های فارسی، خوشه‌های آوایی غیرمجاز  C1C2را با درج یک واکه خیالی ترمیم می‌کنند.

2. پیشینۀ پژوهش: درک واکۀ خیالی

پژوهش‌های پیشین دربارۀ درک توالی‌های آوایی غیرمجاز منجر به شکل‌گیری یافته‌های مهمی دربارۀ سازوکارهای دخیل در پردازش ادراکی گفتار شده است: 1) شنونده‌ها از همبسته‌های آکوستیکی مشخصه‌های واجیِ انتزاعی بهره می‌برند (Moreton, 2002)؛ 2) اصول و الگوهای واجیِ انتزاعی مانند اصل توالی رسایی[6] در درک گفتار تغییرهایی ایجاد می‌کند (Berent et al., 2008)؛ 3) قواعد و الگوهای آوایی ساخت هجا نقش مهم‌تری را در مقایسه با الگوهای آوایی مربوط به سطح واج ایفا می‌کند (Kabak & Idsardi, 2007)؛ 4) به‌طورکلی، گویشوران توالی همخوان‌هایی که ازلحاظ آوایی غیرمجاز هستند را به شیوه‌های مختلفی ترمیم می‌کنند و تنها روش ممکن، درجِ واکه‌های خیالی نیست (Davidson, 2007; Davidson & Shaw, 2007, 2012; Halle, 1998 & Wilson & Dividson, 2013).

جادشیک^[7] و همکاران (1993) و جادشیک و همکاران (1994) شواهدی ارائه کرده‌اند که نوزادان نُه‌ماهه به الگوهای آوایی زبان مادری‌شان حساسیت نشان می‌دهند. پژوهشگران بر این باورند که چنین الگوهایی در بازیابی و ذخیره‌سازی واژه‌ها به کودکان کمک می‌کنند.

پژوهش‌هایی صورت‌گرفته در رابطه با درک توالی‌های غیرمجاز آوایی، بیشتر متکی به پدیدۀ درج واکه‌ها است. واکه‌های خیالی در محرک‌هایی درک می‌شوند که دارای توالی‌های آوایی ذیل باشند: 1) توالی همخوان‌هایی که ازلحاظ آوایی در زبان بومی گویشور غیرمجاز هستند؛ 2) توالی همخوان‌هایی که جهانی‌های پذیرفته‌شده واج‌آرایی مانند اصل توالی رسایی را نقض می‌کنند؛ 3) محرک‌هایی که در آنها سرنخ‌های آکوستیکی مشخصی وجود داشته‌ باشد، مانند رهش قوی همخوان‌ها و افزایش دامنۀ واک‌داری.

دوپو و همکاران (1999) درج واکه‌های خیالی در زبان ژاپنی را بررسی کردند و ثابت کردند الگو‌های آوایی زبان مادری نقش مهمی در شناخت و پردازش درکی صورت‌های آوایی زبان غیربومی دارد. آنها در پژوهش خود چهار مطالعۀ آزمایشگاهی جداگانه انجام دادند و محرک‌های شنیداری را بر روی دو جامعۀ آماری بررسی کردند: 1) گویشوران بومی زبان ژاپنی؛ 2) گویشوران بومی زبان فرانسوی. لازم به توضیح است که در زبان ژاپنی توالی همخوان‌ها در آغاز، وسط و پایان کلمه غیرمجاز است. در مقابل، در زبان فرانسوی توالی همخوانی در وسط کلمه تظاهر آوایی دارد. از سوی دیگر، در زبان ژاپنی کشش واکه نقش تقابلی دارد و واژه‌ها می‌توانند شامل ترکیب متوالی چهار واکۀ متفاوت باشند. اما در زبان فرانسوی هیچ جفت‌واژه‌ای وجود ندارد که در کشش واکه با یکدیگر تفاوت داشته باشند. در آزمایش‌های اول و دوم داده‌هایی ارائه شد که برخی از آنها دارای واکه و برخی دیگر فاقد واکه بودند؛ مانند Ebzo و Ebuzo. نتایج این آزمایش نشان داد ژاپنی‌ها برخلاف فرانسوی‌ها، در بین توالی‌های همخوانی فاقد واکه، یک واکۀ خیالی به‌صورت [u] می‌شنوند و این در حالی بود که هیچ واکه‌ای در محرک‌های مد‌نظر وجود نداشت. در آزمایش سوم و چهارم شرکت‌کنندگان ژاپنی در تشخیص توالی‌های VCCV] [ و [VCuCV] (مانند واژه‌های Ebuzo وEbuuzo) از یکدیگر دچار مشکل شدند. در مقابل، شرکت‌کنندگان فرانسوی در تشخیص محرک‌هایی مشکل پیدا کردند که طول واکه‌هایشان با هم تفاوت داشت؛ چراکه زبان فرانسوی دارای ساخت هجایی پیچیده است و کشش واکه در این زبان تمایزدهنده نیست. یافته‌های دوپو و همکاران (1999) این فرضیه را تأیید کرد که درک گفتار به‌شدت تحت تأثیر دانش واجی است؛ بنابراین، دانش واجی نه تنها در دسته‌بندی واج‌ها تأثیرگذار است، بلکه در درک آواهای خیالی که هیچ همبستۀ آکوستیکی ندارند، نیز مؤثر است. این واقعیت نشان‌ می‌دهد روشی که براساس آن زنجیرۀ پیوستۀ گفتار به واج‌های انتزاعی اِفراز می‌شود، روش جهانی نیست و به نظام آوایی همخوان‌ها و واکه‌ها در زبان مد‌نظر بستگی دارد؛ بنابراین، هنگامی که آواهای یک زبان غیربومی را دریافت می‌کنیم، نه تنها تمایل داریم آنها را با مقوله‌های زبانی خودمان همگون کنیم، بلکه حتی ممکن است مؤلفه‌هایی را تغییر دهیم تا آنها را با الگو‌ها و قواعد آوایی زبان خود منطبق سازیم.

در پژوهشی دیگر موناهان[8] و همکاران (2009) واکه‌های خیالی در بافت‌های آوایی مختلف در زبان ژاپنی را بررسی کردند. آنها طبق بافت واجی وام‌واژه‌ها در زبان ژاپنی و بررسی‌های انجام‌شده بر روی واژه‌های مختلف نتیجه گرفتند که واکۀ خیالی در مجاورت همخوان‌های غیرتیغه‌ای به‌صورت واکۀ [ɯ] و در مجاورت همخوان‌های تیغه‌ای به‌صورت واکۀ [o] درک می‌شود. همچنین، آنها دریافتند گویشوران ژاپنی بیشتر از گویشوران انگلیسی تمایل به درک واکۀ خیالی [ɯ] در مجاورت همخوان‌های غیرتیغه‌ای دارند و درک واکۀ خیالی [o] در مجاورت همخوان‌های تیغه‌ای تمایلی غالب و مسلط نیست.

دوپو و همکاران (2011) دربارۀ کیفیت واکه‌های خیالی بحث کرده‌اند و نشان داده‌اند واکۀ خیالی کوتاه‌ترین واکه در نظام آوایی یک زبان است. او با استناد به پژوهش‌های آکوستیکی روی واکه‌های زبان کره‌ای نشان داد که کوتاه‌ترین واکه در این زبان [ɯ] است (دیرش این واکه در ابتدای عبارت‌ها حدود 144 میلی‌ثانیه است، در حالی که دیرش واکه‌های [i] و [u] در جایگاهی یکسان به‌ترتیب 160 و 165 میلی‌ثانیه است). از نظر دوپو و همکاران (2011) شواهد کافی برای اثبات [ɯ] به‌مثابه واکۀ خیالی مهیا می‌شود؛ چرا که کوتاه‌ترین واکه است و دارای کمترین میزان دیرش در مقایسه با واکه‌های دیگر است.

دوپو و همکاران (2011) نشان دادند گویشوران ژاپنی در محرک‌هایی که توالی همخوان‌هایشان ازلحاظ آوایی غیر‌مجاز است، واکۀ خیالی [ɯ] را درک می‌کنند و این در حالی است که گویشوران زبان پرتغالی (لهجۀ برزیلی) در توالی‌های همخوانی غیرمجاز، واکۀ خیالی [i] را درک می‌کنند. آنها نشان دادند که این واکه‌ها جزو کوتاه‌ترین واکه‌ها در زبان‌های ژاپنی و لهجۀ برزیلی زبان پرتغالی هستند و احتمالاً به همین دلیل است که به‌مثابه واکه‌های خیالی در توالی‌های همخوانی غیرمجاز درج می‌شوند. همچنین، آنها نشان دادند گویشوران ژاپنی با شنیدن برخی محرک‌ها که در آنها توالی همخوان‌های غیرمجاز ازطریق درج واکۀ میانی به یک توالی مجاز تبدیل می‌شود، واکۀ درج‌شده را درک کردند، نه واکۀ خیالی [ɯ] را. بنابراین، واکه‌های درک‌شده در چنین بافت‌هایی در حقیقت، واکه‌های خیالی نیستند و باید این دو الگوی درکی را از هم تمییز دهیم. مطالعه دوپو و همکاران (2011) در حقیقت، نشان داد وقتی محرک‌ها از سیگنال گفتار طبیعی استخراج می‌شوند و مصنوعی یا بازسازی‌شده نیستند، واکه‌های خیالی متفاوتی در زبان‌های مختلف درک می‌شوند.

دوپو و همکاران (2011) در مطالعه‌ای آزمایشگاهی  خوشه‌های همخوانی و توالی‌های مجاز و غیرمجاز در زبان ژاپنی را بررسی کردند (چنان که گفته شد، خوشه‌های همخوانی در زبان ژاپنی غیرمجازند و از این ‌رو، در وام‌واژه‌ها با درج واکه^[9] شکسته می‌شوند). آنها برای تبیین پدیدۀ درج واکه در زبان ژاپنی استدلال‌های مختلفی را مدنظر قرار دادند. اول آنکه، پدیدۀ‌ درج واکه در گفتار رخ می‌دهد که دلیل آن ناتوانی ژاپنی‌ها در تولید خوشه‌های همخوانی است. پس علت درج واکه سهولت در تولید گفتار است. دلیل دوم، مربوط به نظام نوشتاری^[10] زبان ژاپنی است. برخی توالی‌ها در نظام نوشتاری کانجی (خط رسمی ژاپنی) غیرمجازند. مثلاً در ژاپنی هیچ واژه‌ای وجود ندارد که به‌صورت /sfinks/ نوشته‌ شده‌ باشد و چنین توالی‌ای غیرمجاز است و با نظام نوشتاری کانجی مغایرت دارد. دوپو و همکاران (2011) دلیل سومی را نیز مطرح کردند و آن اینکه درج واکه در سطح شنیداری رخ می‌دهد.؛یعنی شنونده بیشتر تمایل دارد واحدهایی را بشنود و درک کند که با قواعد آوایی و واجی زبان خودش هماهنگ باشد. آنها با بیان استدلال‌هایی نشان دادند دلیل سوم در مقایسه با دو دلیل دیگر، کفایت تبیینی بیشتری دارد؛ بنابراین، باید واقعیت درکی درج واکه را مدنظر قرار داد.

متینگلی[11] و همکاران (2015) در مطالعه‌ای آزمایشگاهی، درک واکه‌های خیالی گویشوران ژاپنی را بررسی کردند. آنها بر مبنای بافت واجی وام‌واژه‌ها در زبان ژاپنی، انتظار تظاهر واکه‌های خیالی متفاوتی را در بافت‌های همخوانی مختلف داشتند و از این رو، بافت‌های آوایی بیشتری را بررسی کردند. نتایج این مطالعه نشان داد با اینکه شرکت‌کنندگان ژاپنی در توالی‌های همخوانی مختلف، واکه‌های متفاوتی را درک می‌کنند، واکه‌هایی که درک می‌کنند مبتنی بر بافت واجی وام‌واژه‌ها نیست.

دورواسولا[12] و کانگ[13] (2015) نحوۀ درک شنیداری توالی‌های همخوانی غیرمجاز گویشوران کره‌ای و انگلیسی را بررسی کردند. آنها نشان دادند گویشوران کره‌ای، برخلاف انگلیسی‌زبان‌ها، واکه‌های خیالی مختلفی را در بافت‌های همخوانی متفاوت درک می‌کنند و حتی در مواردی واکه‌های خیالی متفاوتی را در یک بافت آوایی یکسان دریافت می‌کنند.

در پژوهش دیگری، گوورا روکاز[14] و همکاران (2017) درک واکه‌های خیالی در دو بافت واجی [VhpV] و [VkpV] در زبان ژاپنی را بررسی کردند. نتایج این پژوهش نشان داد سرنخ‌های صوتی نقش مهمی در درک شنیداری و شناسایی واکه‌های خیالی دارد. اما کشف و استخراج سرنخ‌های صوتی مربوط به کیفیت واکه‌های خیالی بسیار دشوار است و بررسی‌های بینازبانی فراوانی باید در این زمینه صورت بگیرد.

دورواسولا و کانگ (2016) در پژوهشی آزمایشگاهی این موضوع را بررسی کردند که آیا شنونده‌ها دانش واجی خود را در حین درک گفتار در سطوح بالاتر از واژه به کار می‌برند یا خیر. آنها به‌طور خاص عملکرد شنیداری شنونده‌های زبان‌های کره‌ای و انگلیسی را در به‌کارگیری دانش واجی در سطح گروه آهنگ در حین درک گفتار بررسی کردند. نتایج به‌دست‌آمده نشان داد شنونده‌های کره‌ای واکه‌های خیالی بیشتری را در محرک‌های بی‌معنی‌ای که از توالی انفجاری‌های واکدار و همخوان خیشومی تشکیل شده است، دریافت می‌کنند تا محرک‌هایی که توالی‌ای از انفجاری‌های بی‌واک و همخوان خیشومی دارند. با این حال، درک واکۀ درج‌شده نمی‌تواند نتیجۀ رفتار آوایی حوزه‌های کوچک‌تر از گروه آهنگ باشد، به دلیل اینکه هر دو توالی در حوزه‌های کوچک‌تر از گروه آهنگ، غیرمجاز تلقی می‌شود. آنها با استناد به نتایج خود این‌گونه بحث کردند که کار اصلی شنونده در درک گفتار، استنتاج معکوس^[15] است. یعنی شنونده با بهره‌گیری از اطلاعات آکوستیکی سیگنال آوایی، زیرساخت مد‌نظر در پاره‌گفتار را شناسایی می‌کند. هنگامی که شنوندۀ کره‌ای توالی بی‌معنی همخوان انفجاری «بی‌واک + همخوان خیشومی» را می‌شنود، تشخیص می‌دهد که چنین توالی دارای مرزی در گروه آهنگ است و در نتیجه نیازی نیست تا چنین توالی را با درج واکۀ خیالی ترمیم کند. در مقابل، اگر شنوندۀ کره‌ای توالی بی‌معنی انفجاری‌های واکدار و همخوان خیشومی را در سطح گروه آهنگ (و نه مرز بین دو گروه آهنگ) بشنود، به‌سرعت درک می‌کند که این توالی ازلحاظ واجی غیرمجاز است و هیچ مرزی را نمی‌تواند شناسایی کند تا براساس آن چنین توالی به‌مثابه  یک توالی آوایی مجاز تظاهر یابد.

دورواسولا و همکاران (2018) درک واکۀ خیالی را حاصل استنتاج معکوس از اطلاعات آکوستیکی روساختی در نظر می‌گیرند. لازمۀ این دیدگاه شناخت تناوب‌های آوایی، قواعد و الگو‌های آوایی حاکم بر استنتاج بازنمایی آوایی از بازنمایی واجی است. بر این اساس، در رابطه با کیفیت واکه‌های خیالی، شنونده باید تلاش کند تا توالی‌های آوایی غیرمجاز را با واکه‌ای ترمیم کند تا ساخت واجی غیردستوری محرک آوایی با زیرساخت واجی زبان هماهنگ شود. زمانی که هیچ تناوب آوایی شنونده‌ها را به‌سمت واکۀ مشخصی در بافت واجی مدنظر سوق ندهد، بهترین واکه‌ای که می‌تواند نقض آوایی صورت‌گرفته را ترمیم کند یا براساس سرنخ‌های صوتی مربوطه انتخاب می‌شود و یا براساس کوتاه‌ترین واکۀ موجود در زبان. اما زمانی که تناوب‌های آوایی مربوطه، شنونده‌ها را به‌سوی درک واکۀ خاصی سوق دهند، انتخاب بهترین واکه به ویژگی‌های محرک آوایی مدنظر و تناوب‌های آوایی مربوطه وابسته است.

رحمانی و همکاران (1391) در یک مطالعۀ آزمایشگاهی در چارچوب انگارۀ ناشنوایی تکیه و با بهره‌گیری از محرک‌های مصنوعی، توانایی درکی عمومی تکیه از سوی گویشوران فارسی را بررسی کردند. آنها ادعا کردند که طبق انگارۀ ناشنوایی تکیه، چون محل وقوع تکیه در زبان فارسی قابل پیش‌بینی است، اطلاعات مربوط به تکیه در واژگان زبان فارسی ذخیره نمی‌شود. [16]شرکت‌کنندگان این پژوهش شامل سه گروه مختلف بودند: الف) فارسی‌زبانان بومی بدون آشنایی با زبان انگلیسی؛ ب) فارسی‌زبانانی که حداقل 5 سال در یک کشور انگلیسی زبان زندگی کرده بودند؛ و ج) فارغ‌التحصیلان مقطع کارشناسی ارشد و دکتری رشتۀ زبان‌شناسی. یافته‌های این پژوهش نشان داد: 1) حساسیت کلی فارسی‌زبانان نسبت به تکیه ضعیف است؛ 2) دانش آواشناسی در درک همبسته‌های تکیه گویشوران فارسی تأثیری ندارد و تفاوت میزان درک شرکت‌کنندگان دارای دانش آواشناسی با شرکت‌کنندگان فاقد این دانش، به‌لحاظ آماری معنی‌دار نیست؛ 3) قرار گرفتن فارسی‌زبانان در محیط زبانی انگلیسی، موجب افزایش حساسیت آنها نسبت به تکیه می‌شود به‌صورتی که عملکرد کلی تشخیص تکیه در آنها تا 50 درصد افزایش می‌یابد؛ 4) با بررسی الگوی درک هریک از همبسته‌های آکوستیکی تکیه (فرکانس پایه، دیرش و شدت انرژی) به‌‌طور مجزا از هم، نتیجه فوق دربارۀ پایین بودن حساسیت نسبت به تکیه در فارسی‌زبانان تأیید شد. فارسی‌زبانانی که به‌صورت مستمر در معرض زبان انگلیسی نبودند، هر سه همبسته را در مقایسه با آنهایی که در مواجهه طولانی‌مدت با زبان انگلیسی بودند، ضعیف‌تر تشخیص دادند؛ و بالاخرهاینکه ) فارسی‌زبانان در تشخیص همبستۀ دیرش مشکل دارند و بهترین سطح تشخیص، متعلق به همبستۀ فرکانس پایه است، هر چند که به‌لحاظ آماری تفاوتی میان میزان درک فرکانس پایه و شدت انرژی وجود ندارد. رحمانی و همکاران (1391) با توجه به نتایج فوق چنین بحث کردند که براساس الگوی ناشنوایی تکیه، حساسیت درکی به مشخصه‌های نوایی، تابع نظام واج‌شناسی نوایی زبان اول است و با قرار‌گرفتن در معرض زبان دوم تغییر چندانی نمی‌کند یا بدون تغییر باقی می‌ماند. پس هر قدر تکیه در زبان اول بیشتر پیش‌بینی‌پذیر باشد، حساسیت درکی گویشور به تکیه تضعیف خواهد شد؛ زیرا الگوهای منظم تکیه نیاز به رمزگذاری واژگانی ندارند. در واقع، توانایی درک تکیه زمانی تقویت می‌شود که تکیه در بازنمایی ذهنی وجود داشته باشد.

رحمانی و همکاران (2015) در پژوهشی نحوۀ درک تکیه از سوی گویشوران فرانسوی، اسپانیایی، فنلاندی، لهستانی و مجارستانی را بررسی کردند. آنها در آزمایش شنیداری خود مشاهده کردند که گویشوران فرانسوی در پردازش تقابل‌های تکیه‌ای موجود در محرک‌های ‌آزمایشی بی‌معنی، مشکلات زیادی دارند. فنلاندی‌ها هم ضمن آزمایش با چنین مشکلاتی مواجه بودند و عملکرد تشخیصی آنها به‌طور کلی ضعیف بود (لازم به توضیح است که در دو زبان فرانسوی و فنلاندی، تکیه نقش تقابلی ندارد). اما گویشوران اسپانیایی که تکیه در آن نقش تقابلی دارد، مشکلی در تشخیص جایگاه تکیه در محرک‌ها نداشتند. عملکرد گویشوران مجارستانی و لهستانی در این آزمایش به‌گونه‌ای بود که به‌لحاظ رتبه‌بندی، میان فرانسه / فنلاندی و اسپانیایی قرار می‌گرفتند (باید اشاره کرد که در زبان‌های مجارستانی و لهستانی، تکیه به‌لحاظ قابلیت تمایزدهندگی در حد فاصل بین زبان‌های فرانسوی و اسپانیایی قرار می‌گیرد). بر این اساس، رحمانی و همکاران (2015) صورتی از الگوی ناشنوایی تکیه پیشنهاد کردند که طبق آن، زبان‌های دارای تکیه ثابت، براساس میزان پیش‌بینی‌پذیربودن تکیه، رتبه‌بندی می‌شوند. هرقدر تکیه در زبانی پیش‌بینی‌پذیرتر باشد، برای گویشوران این زبان تشخیص تکیه مشکل‌تر خواهد بود.

3. روش پژوهش: آزمایشگاهی

با توجه به محدودیت‌های نظام آوایی فارسی در رابطه با وجود خوشه‌های همخوانی در آغازۀ هجا، درک واکۀ خیالی در هجاهای دارای خوشه‌های آغازی C1C2 در رشته‌های آوایی بی‌معنی بررسی شد. برای ساخت داده‌های صوتی پژوهش، ابتدا تعداد 20 ناواژه با الگوی هجایی C1V1C2V2C3 طراحی شد به‌طوری که V1 هر 6 واکۀ زبان فارسی را دربرمی‌گرفت. ناواژه‌ها را دو گویشور فارسی زبان (یک زن و یک مرد) با محدودۀ سنی 20 تا 25 سال، دارای تحصیلات دانشگاهی و با گویش فارسی معیار به‌صورت داوطلبانه در محیط آزمایشگاهی تولید کردند. به این ترتیب، 40 محرک صوتی بی‌معنی (ناواژۀ صوتی) به دست آمد.

ضبط داده‌ها در اتاق آزمایشگاه آواشناسی در سکوت کامل انجام شد. داده‌ها با استفاده از میکروفون بیبرداینامیک با پاسخ بسامدی پنجاه تا پانزده‏‌هزار هرتز با فرکانس نمونه‌برداری 11025 هرتز بر‏روی کارت صوتی کریتیو مدل ساند بلاستر 5.1 X-Fi یکG رایانۀ شخصی ضبط شدند. ناواژه‏ها روی صفحۀ نمایشگر رایانه، به‏ خط فارسی، برای آزمودنی‌ها (دو گویندۀ مرحله اول) نمایش داده شد. از آزمودنی‌ها خواسته شد 20 ناواژه را یکی پس از دیگری به‌صورت طبیعی و با مکثی کوتاه بخوانند.

جدول 1. ناواژه‌های استفاده‌شده در آزمایش درک واکۀ خیالی (ساخت هجایی همۀ ناواژه‌ها به‌صورت C1V1C2V2C3 است)

Table 1. Non-words used in the perception experiment of illusive vowels (the structure of all syllables is C1V1C2V2C3V)

در مرحلۀ بعد، مقادیر دیرش واکه V1 در محرک‌ها در نرم‌افزار پرت، ویرایش 4.3.01 (بورزما[17] و وینینک،[18] 2018) بازسازی شد. بازسازی دیرش V1 طی ده گام انجام شد. در گام اول سیگنال صوتی واکه به‌کلی از زنجیرۀ آوایی محرک‌ها حذف گردید. در گام دوم، 1 تناوب (چاکنایی) واکه‌ای در ابتدا و 1 تناوب واکه‌ای در انتهای واکۀ V1 در زنجیرۀ آوایی محرک‌ها حفظ و مابقی سیگنال آوایی واکۀ V1 از محرک‌ها حذف گردید. در گام سوم، 2 تناوب واکه‌ای در ابتدا و 2 تناوب واکه‌ای در انتهای واکۀ V1 در زنجیرۀ آوایی محرک‌ها حفظ و بقیه سیگنال آوایی V1 از محرک‌ها حذف شد. به همین ترتیب، در گام‌های چهارم تا دهم به‌تدریج  تعداد بیشتری تناوب واکه‌ای در ابتدا و انتهای واکۀ V1 در زنجیره‌های آوایی هدف حفظ و مابقی سیگنال آوایی V1 از محرک‌ها حذف شدند (مثلاً برای گام چهارم تعداد 3 تناوب واکه‌ای در ابتدا و 3 تناوب واکه‌ای در انتهای واکۀ V1 و برای گام دهم تعداد 9 تناوب واکه‌ای در ابتدا و 9 تناوب واکه‌ای در انتهای V1 حفظ و بقیۀ سیگنال V1 از زنجیره‌های صوتی حذف شدند).

برای تعیین مرز هجا در زنجیره‌های آوایی V.C از معیارهای ارائه‌شده در لوئیز[19] و تاتهام[20] (2001) استفاده شد. بر این اساس، در زنجیرۀ آوایی V. Stop مرز هجا جایی در نظر گرفته شد که دامنۀ ارتعاش تارآواها برای واکه در هجای اول به میزان درخورتوجهی کاهش می‌یابد. این ناحیه ناظر بر آغاز محدودۀ بست همخوان انفجاری است. برای همخوان‌های انفجاری بی‌واک تشخیص پایان واکه آسان است؛ چون به دنبال واکه یک دورۀ بی‌واکی کامل همراه با سکوت و نوفه ظاهر می‌شود. ولی برای انسدادی‌های واکدار این تشخیص سخت‌تر است؛ چون ارتعاش تارآواها برای واکه در هجای اول به مدت 20 تا 30 میلی‌ثانیه پس از شروع هجای دوم ادامه می‌یابد. الگوی تقطیع هجا برای V. Fricative مشابه V. stop است با این تفاوت که برای سایشی‌های واکدار نوفه و واک در پایان واکه به‌طور همزمان تظاهر می‌یابد. در زنجیرۀ آوایی V. Liquid چون تظاهر همخوان‌های روان روی طیف‌نگاشت به‌صورت امواج پیچ‌در‌پیچ و مدور است، شروع این ناحیه به‌مثابه نقطۀ شروع هجای دوم در نظر گرفته می‌شود. تعیین لحظۀ شروع این ناحیه روی طیف‌نگاشت آسان نیست. معمولاً حداقل میزان دامنه این ناحیه محل شروع هجای دوم محسوب می‌شود.

برای بازسازی محرک‌ها از نرم‌افزار پِرَت ویرایش 4.3.01 (Boersma & Weenink, 2018) استفاده شد. برای بازسازی محرک‌های دیرش، ابتدا علامت آوایی هر پاره‌گفتار ازطریق گزینه دستکاری به یک بازنمود دوبعدی از فرکانس پالس‌های حنجره در واحد زمان تبدیل و از خروجی لایۀ دیرش این بازنمود برای بازسازی و تنظیمات مقادیر دیرش استفاده شد.

در مرحلۀ بعد، از 20 شرکت‌کننده (10 زن و 10 مرد) با محدودۀ سنی 20 تا 35 سال، دارای تحصیلات دانشگاهی و با گویش فارسی معیار خواسته شد تا به‌صورت تصادفی به ناواژه‌های تولیدشده گوش بدهند و پس از شنیدن هر محرک، قضاوت کنند که آیا در ناواژۀ تولیدشده، واکه‌ای در حد فاصل بین دو همخوان اول C1C2 درک می‌کنند یا خیر. هر محرک دو بار برای هر شرکت‌کننده پخش شد و به‌ازای هر محرک، درصد پاسخ هر شرکت‌کننده به هر گزینه محاسبه شد.

شکل 1. محرک‌های صوتی بازسازی‌شده از ناواژۀzikQt . در گام اول (no pulse) سیگنال صوتی واکۀ V1 به‌کلی از زنجیرۀ آوایی حذف شده است و در گام‌های بعد به‌تدریج بین 1 تا 9 تناوب واکه‌ای در ابتدا و انتهای سیگنال واکه‌ای حفظ و مابقی سیگنال آوایی V1 از محرک‌ها حذف شده‌ است.

Figure 1. Synthesized tokens for the non-word zikQt. In the first step (no pulse), V1 was completely deleted from the speech signal and in the following steps, one to nine glottal pulses were preserved at the beginning and end of the target vowel, V1, and the rest were deleted.

4. نتایج

نتایج آزمون شناسایی در شکل‌های 2 تا 7 نشان داده شده است. شکل‌ها درصد پاسخ‌های شناسایی به محرک‌های پیوستار تعداد تناوب‌های واکه‌ای را نشان می‌دهد. در هر شکل محور X محرک‌های آوایی هدف آزمایش را نشان می‌دهد که از No pulse (نبود هیچ تناوب واکه‌ای در محرک صوتی) تا 9^th pulse (حضور 9 تناوب واکه‌ای در آغاز و 9 تناوب واکه‌ای در پایان محرک صوتی) مرتب شده است. محور Y درصد پاسخ‌های شناسایی را نشان می‌دهد. منحنی آبی‌رنگ پاسخ‌های شناسایی مثبت یا «بلی» به حضور واکه و منحنی سبزرنگ پاسخ‌های شناسایی منفی یا «خیر» به حضور واکه را نشان می‌دهد. به بیان دیگر، پاسخ‌های شناسایی مثبت به معنای درک واکه در سیگنال محرک صوتی پخش‌شده و پاسخ‌های شناسایی منفی به معنی درک نکردن واکه در سیگنال محرک آوایی مدنظر است. این دو منحنی را به اختصار منحنی خوانش واکه‌ای (منحنی آبی‌رنگ) و منحنی خوانش غیرواکه‌ای (منحنی سبزرنگ) می‌گوییم.

ابتدا شکل (2) را در نظر می‌گیریم. این شکل پاسخ‌های شناسایی به گام‌های تناوب چاکنایی را برای محرک CiCC نشان می‌دهد. چنانکه در شکل مشاهده می‌شود توزیع پاسخ‌های شناسایی برای CiCC بر روی تمامی گام‌های صوتی برای خوانش واکه‌ای از خوانش غیرواکه‌ای به‌طور درخورتوجهی بیشتر است. نسبت پاسخ‌های واکه‌ای به غیرواکه‌ای برای گام‌های دوم تا دهم 100 به صفر و برای گام اول 70 به 30 درصد است. به‌طوری که مشاهده می‌شود پاسخ‌های خوانش غیرواکه‌ای به محرک صوتی اول، یعنی ناحیه No pulse حدود 30 درصد است؛ اما از گام دوم تا دهم، درصد پاسخ‌های خوانش غیرواکه‌ای کاهش پیدا کرده و سطح اطمینان آنها به صفر درصد رسیده است.

شکل 2. نمودار خطی پاسخ‌های شناسایی به گام‌های تناوب واکه‌ای برای محرک CiCC

Figure 2. Line graph of identification responses (in percent) to steps of glottal pulses for CiCC.

در مقابل، پاسخ‌های خوانش واکه‌ای بر روی گام نخست سطح اطمینانی حدوداً 70 درصدی دارد و در نُه گام پایانی سطح اطمینان این پاسخ‌ها به 100 درصد رسیده است. اگر منحنی خوانش واکه‌ای را مبنای ارزیابی الگوی پردازش ادراکی محرک‌های صوتی مدنظر بدانیم، در آن صورت باید گفت شنونده‌های فارسی محرک‌های CiCC را که در آنها واکۀ /i/ دیرشی به اندازۀ یک یا تعداد بیشتری تناوب چاکنایی داشته باشد، با سطح اطمینان بسیار مطلوبی به‌صورت CiCC می‌شنوند، طوری که افزایش تعداد تناوب‌های چاکنایی در سیگنال آوایی CiCC بر فراوانی پاسخ‌های شناسایی مربوطه تأثیرگذار نیست. شنونده‌ها حتی محرک‌هایی را که در آنها /i/ به‌کلی از سیگنال آوایی حذف شده است، نیز با سطح اطمینان پذیرفتنی به‌صورت CiCC می‌شنوند.

حال به بررسی شکل (3) می‌پردازیم که پاسخ‌های شنیداری برای محرک CeCC را نشان می‌دهد. چنانکه مشاهده می‌شود پاسخ‌های خوانش غیرواکه‌ای بیشتر در نواحی ابتدایی پیوستار بر روی گام‌های اول و دوم و پاسخ‌های خوانش واکه‌ای بیشتر در نواحی میانی و بالای پیوستار یعنی بر روی گام‌های چهارم تا دهم توزیع شده‌اند. گام سوم که دقیقاً منطبق بر 2 pulse است نقطۀ تلاقی 50 درصدی است که ناحیۀ مبهم پیوستار صوتی مدنظر است. نکتۀ مهم آنکه  پاسخ‌های شناسایی در برخی نواحی، تغییرهایی پیوسته و مدرج دارد. از گام دوم تا گام ششم، توزیع پاسخ‌های شناساییِ مثبت در منحنی خوانش واکه‌ای به‌طور تدریجی افزایش یافته و به سطح اطمینان 100 درصد رسیده است. بعد از گام ششم تا گام پایانی (یعنی تناوب پنجم تا تناوب نهم) سطح اطمینان پاسخ‌ها در همان میزان 100 درصد باقی مانده و تغییر محسوسی نداشته است. بر این اساس، در حالی که درصد پاسخ‌های مثبت خوانش واکه‌ای در نواحی میانی پیوستار صوتی CeCC (گام دوم تا ششم) با افزایش تعداد تناوب‌های واکه‌ای /e/ به‌طور تدریجی بیشتر شده است، افزایش تناوب‌های واکه‌ای در نواحی بالای پیوستار تغییرهای محسوسی را در منحنی پاسخ‌های شناسایی ایجاد نکرده است. بر مبنای الگوی کلی توزیع پاسخ‌ها این‌گونه نتیجه‌گیری می‌شود که شنونده‌ها گام‌های اول و دوم محرک‌های صوتی CeCC را با سطح اطمینان پذیرفتنی (حدود 80 درصد) به‌صورت  CCC و گام‌های ششم تا دهم را با سطح اطمینان بسیار مطلوبی (حدود 100 درصد) به‌صورت CeCC می‌شنوند. در این میان درک آنها از محرک‌های سوم، چهارم و پنجم درکی مدرج است که به‌صورت تابعی از تعداد تناوب‌های واکه‌ای در محرک‌های صوتی CeCC تغییر می‌کند. به این ترتیب، شنونده‌ها در گام سوم پیوستار CeCC با سطح اطمینانی نزدیک به 50 درصد، در گام چهارم با سطح اطمینانی نزدیک به 65 درصد و در گام پنجم با سطح اطمینانی نزدیک به 75 درصد، واکه /e/ می‌شنوند.

شکل 3. نمودار خطی پاسخ‌های شناسایی به گام‌های تناوب واکه‌ای برای محرک CeCC

Figure 3. Line graph of identification responses (in percent) to steps of glottal pulses for CeCC.

حال شکل (4) را در نظر می‌گیریم. این شکل پاسخ‌های شناسایی به گام‌های تناوب واکه‌ایِ مربوط به محرک CQCC را نشان می‌دهد. همان طور که مشاهده می‌شود، الگوی کلی توزیع پاسخ‌ها برای CQCC بسیار شبیه CeCC است. پاسخ‌های خوانش غیرواکه‌ای بیشتر در ابتدای پیوستار بر روی گام اول، یعنی محرک No pulse و پاسخ‌های خوانش واکه‌ای بیشتر بر روی گام‌های بالای پیوستار یعنی گام‌های ششم تا دهم توزیع شده‌اند. گام‌های دوم، سوم و چهارم با توجه به نزدیکی به نقطۀ تلاقی 50 درصدی سه ناحیۀ مبهم پیوستار صوتی مدنظر هستند که در آنها توزیع پاسخ‌های شناسایی برتری مشخصی را به نفع هیچ‌کدام از دو خوانش واکه‌ای یا غیرواکه‌ای نشان نمی‌دهد. پاسخ‌ها در منحنی خوانش واکه‌ای بر روی گام‌های پنجم تا دهم توزیع درخورتوجهی دارد؛ اما سطح اطمینان پاسخ‌ها برای چهار گام پایانی پیوستار، یعنی گام‌های هفتم تا دهم (تناوب‌های ششم تا نهم) به‌طور درخورتوجهی  بیشتر از دو گام قبل از آن، یعنی گام‌های پنجم و ششم (تناوب‌های چهار و پنج) است. در حالی که پاسخ‌های شناسایی برای چهار گام پایانی به سطح اطمینان 100 درصد نزدیک است، سطح اطمینان پاسخ‌ها برای پالس چهار و پالس پنج حدوداً 75 درصد است. بر این اساس، با افزایش تعداد تناوب‌های چاکنایی /Q/ در سیگنال آوایی محرک CQCC، فراوانی پاسخ‌های شناسایی در نواحی میانی به‌تدریج افزایش یافته است و به سطح اطمینان 100 درصد نزدیک می‌شود. بعد از آن سطح اطمینان پاسخ‌ها بر روی گام‌های پایانی در همین میزان باقی مانده است و تغییری نمی‌کند. 

شکل 4. نمودار خطی پاسخ‌های شناسایی به گام‌های تناوب واکه‌ای برای محرک CQCC

Figure 4. Line graph of identification responses (in percent) to steps of glottal pulses for CQCC.

شکل (5) پاسخ‌های شناسایی شرکت‌کنندگان به گام‌های تناوب واکه‌ای در محرک CuCC را نشان می‌دهد. روند کلی توزیع پاسخ‌های شناسایی برای CuCC تا حد زیادی مشابه CeCC و CQCC است. در این شکل مشاهده می‌شود که پاسخ‌های خوانش غیرواکه‌ای در ابتدای پیوستار بر روی گام No pulse توزیع بیشتری دارند و پاسخ‌های خوانش واکه‌ای بر روی پنج گام پایانی پیوستار یعنی گام‌های ششم تا دهم توزیع درخورتوجهی دارند. پاسخ‌ها بر روی گام‌های دوم و سوم توزیع مبهمی دارند و برتری مشخصی را به نفع هیچ‌یک از دو خوانش واکه‌ای یا غیرواکه‌ای نشان نمی‌دهند. پاسخ‌های خوانش واکه‌ای بر روی گام چهارم در مقایسه با گام‌های قبل از آن افزایش یافته است (گام چهارم نسبت به گام پیش از آن حدوداً 20 درصد افزایش داشته است)؛ اما روند تدریجی افزایش پاسخ‌های خوانش واکه‌ای بر روی گام بعد از آن تداوم نداشته است. بر روی گام ششم، منحنی خوانش واکه‌ای به‌جای سیر صعودی، برخلاف انتظار، سیر نزولی به خود گرفته است طوری که فراوانی پاسخ‌ها بر روی این گام در مقتیسه با گام قبل از آن یعنی گام پنجم حدوداً 15 درصد کمتر شده است. بعد از گام ششم، پاسخ‌های خوانش واکه‌ای با شیبی تند دوباره افزایش یافته و به سطح اطمینان 100 درصد رسیده است و تا پایان (گام دهم) در همین میزان باقی مانده است.      

شکل 5. نمودار خطی پاسخ‌های شناسایی به گام‌های تناوب واکه‌ای برای محرک CuCC

Figure 5: Line graph of identification responses (in percent) to steps of glottal pulses for CuCC.

شکل (6) پاسخ‌های شناسایی به گام‌های تناوب واکه‌ای /o/ را در محرک CoCC نشان می‌دهد. الگوی کلی توزیع پاسخ‌ها برای CoCC تا حدی زیادی مشابه CiCC است. چنانکه مشاهده می‌شود پاسخ‌های خوانش واکه‌ای حتی در گام‌های ابتدایی پیوستار هم توزیع درخورتوجهی دارند به‌طوری که در گام نخست که واکه به‌صورت کامل از سیگنال آوایی CoCC جدا شده، سطح اطمینان پاسخ‌های خوانش واکه‌ای در حدود 65 درصد است. این میزان فراوانی برای گام دوم نیز حفظ شده و از گام سوم به بعد سطح اطمینان پاسخ‌ها به حدود 90 درصد رسیده است. آنچه مهم است آنکه روند کلی توزیع پاسخ‌های خوانش واکه‌ای برای CoCC همانند CiCC در هیچ ناحیه‌ای بر روی پیوستار تناوب چاکنایی محرک مربوطه روندی تدریجی و پیوسته ندارد. یعنی این‌گونه نیست که همانند داده‌های درکی محرک‌های CeCC و CQCC با افزایش گام‌های تناوب چاکنایی به‌ویژه  در نواحی میانی پیوستار به‌تدریج بر میزان پاسخ‌های خوانش واکه‌ای افزوده شود؛ شنونده‌ها دو گام اول پیوستار CoCC را با سطح اطمینانی نزدیک به 65 درصد و سایر گام‌ها را با سطح اطمینانی نزدیک به 90 درصد به‌صورت CoCC می‌شنوند.

شکل 6. نمودار خطی پاسخ‌های شناسایی به گام‌های تناوب واکه‌ای برای محرک CoCC

Figure 6. Line graph of identification responses (in percent) to steps of glottal pulses for CoCC.

شکل (7) نتایج پاسخ‌های شناسایی برای محرک CACC را نشان می‌دهد. شیب منحنی پاسخ‌های شناسایی در این شکل همانند CeCC و CACC شیبی تدریجی است که در آن با افزایش تعداد تناوب‌های چاکنایی واکه /ɑ/ در CɑCC درصد پاسخ‌های خوانش واکه‌ای به‌تدریج بیشتر شده است. در این شکل، گام هفتم نقطۀ تلاقی 50 درصدی است که توزیع پاسخ‌ها برتری مشخصی را به نفع دو خوانش واکه‌ای یا غیرواکه‌ای نشان نمی‌دهد. شنونده‌ها سه گام ابتدایی پیوستار را با سطح اطمینانی بین 80 تا 90 درصد به خوانش غیرواکه‌ای و دو گام پایانی پیوستار را با سطح اطمینانی نزدیک به 80 درصد به خوانش واکه‌ای نسبت می‌دهند. بین این دو ناحیه بر روی پیوستار، یعنی گام سوم تا نهم، پاسخ‌های خوانش واکه‌ای با شیبی کند و تدریجی به‌صورت تابعی از تعداد تناوب‌های چاکنایی /ɑ/ در CɑCC افزایش یافته است.     

شکل 7. نمودار خطی پاسخ‌های شناسایی به گام‌های تناوب واکه‌ای برای محرک CACC

Figure 7. Line graph of identification responses (in percent) to steps of glottal pulses for CACC.

5. بحث و نتیجه‌گیری

پژوهش‌های آزمایشگاهی نشان داده است که شنونده‌ها سازگاری‌هایی را در حین درک شنیداری گفتار غیربومی در مقوله‌های آوایی که با زبان خودشان تطابق ندارد، به ‌وجود می‌آورند. شنونده‌ها اغلب از دانش واجی زبان خود، یعنی الگوها و قواعد آوایی برای انطباق ساخت عناصر آوایی زبان غیربومی با زبان خود استفاده می‌کنند. یافته‌های شنیداری نشان می‌دهد که اگر شنونده با واژه‌ای بی‌معنی مواجه شود که توالی همخوان‌های آن واژه، الگوهای آوایی زبان‌اش را نقض کند، آنگاه یک واکۀ خیالی در میان چنین توالی‌ای درج می‌کند تا ساخت واجی این توالی منطبق با ساخت آوایی زبان گویشور شود. بر این اساس، درک شنیداری گفتار تا حد زیادی تابع محدودیت‌های واج‌‌آرایی است. دانش واج‌آرایی زبان نه‌تنها بر شیوۀ طبقه‌بندی واحدهای واجی نظارت می‌کند، بلکه منجر به درک آواهایی می‌شود که هیچ همبستۀ صوتی ندارند (آواهای خیالی)؛ بنابراین، شیوۀ پردازش درکی امواج صوتی گفتار و تبدیل آنها به واحدهای آوایی ناپیوسته و مقوله‌ای (واج‌ها) شیوه‌ای جهان‌شمول نیست، بلکه وابسته به الگوی واج‌آرایی و شیوۀ تعامل واجی همخوان‌ها و واکه‌ها در زبان مدنظر است. به این ترتیب، شنونده در درک آواهای غیربومی نه تنها آنها را با مقوله‌های آوایی بومی زبان خود همگون می‌سازد، بلکه آواهایی را به زنجیرۀ آوایی غیربومی اضافه و یا از آن حذف می‌کند تا صورت آوایی غیربومی با واج‌آرایی  زبان مقصد هماهنگ شود.

در این پژوهش به بررسی درک واکۀ خیالی در خوشه‌های همخوانی آغازی فارسی پرداختیم. با توجه به ممنوعیت خوشه‌های همخوانی آغازی در زبان فارسی، درک واکۀ خیالی در هجاهای دارای خوشه‌های آغازی C1C2 در رشته‌های آوایی بی‌معنی بررسی شد. برای این منظور، تعداد 20 ناواژه با الگوی هجایی (C1V1C2V2C3) طراحی شد، به‌طوری که ناواژه‌ها هر 6 واکۀ زبان فارسی را در خود داشتند. سپس، هر ناواژۀ تولیدشده از سوی دو گویشور فارسی‌زبان (یک زن و یک مرد) تولید و ضبط شدند. سپس، دیرش واکۀ V1 در ناواژه‌ها در نرم‌افزار پرت بازسازی شد. برای بازسازی دیرش V1 ابتدا سیگنال آوایی کل واکه از زنجیرۀ آوایی محرک مدنظر به‌کلی جدا شد و سپس به‌تدریج در گام‌های بعدی بین 1 تا 9 تناوب واکه‌ای در ابتدا و انتهای واکۀ V1 در زنجیرۀ آوایی محرک هدف آزمایش حفظ و مابقی سیگنال آوایی واکۀ V1 از محرک حذف گردید. در گام بعد، از بیست شرکت‌کننده (ده زن و ده مرد) خواسته شد تا به‌صورت تصادفی به ناواژه‌های تولیدشده گوش بدهند و پس از شنیدن هر محرک، قضاوت کنند که آیا در ناواژۀ تولیدشده، واکه‌ای درک می‌کنند یا خیر.

نتایج به‌دست‌آمده نشان داد توزیع پاسخ‌های شنیداری برای واکه‌های مختلف در این پژوهش از دو الگوی متفاوت پیروی می‌کند. برای صورت‌های C1iC2V2C3 و C1oC2V2C3 الگوی توزیع پاسخ‌های شنیداری به منحنی فرضی درک واکه‌های خیالی بسیار نزدیک است. شنونده‌ها واکه‌های /i/ و /o/ را در تمامی رشته‌های آوایی C1iC2V2C3 و C1oC2V2C3 می‌شنوند؛ حتی زمانی که این واکه‌ها به‌کلی از رشته‌های آوایی مربوطه حذف شده باشند. پاسخ‌های خوانش واکه‌ای به تمامی محرک‌های بازسازی‌شدۀ C1iC2V2C3 و C1oC2V2C3 فراوانی درخورتوجهی دارد. فراوانی پاسخ‌ها برای محرک‌های بدون واکۀ C1iC2V2C3 و C1oC2V2C3 کمتر از محرک‌های دیگر است؛ ولی شیب توزیع پاسخ‌های خوانش واکه‌ای کُند است و روند توزیع پاسخ‌ها بین دو سر ابتدا و انتهای پیوستار دیرش واکه (تناوب‌های واکه‌ای) به‌ آهستگی انجام می‌شود. بر این اساس، یافته‌های مربوط به C1iC2V2C3 و C1oC2V2C3 در این پژوهش با تأیید فرضیۀ درک واکه‌های خیالی نشان می‌دهد که درک واکه‌های /i/ و /o/ در محرک‌های بدون واکۀ C1iC2V2C3 و C1oC2V2C3 ناشی از نبود خوشه‌های همخوانی آغازی در نظام واجی زبان فارسی است.

با این حال، الگوی پاسخ‌های مربوط به واکه‌های /i/ و /o/، برای محرک‌های بازسازی‌شدۀ واکه‌های دیگر تکرار نشد. فراوانی پاسخ‌های خوانش واکه‌ای برای محرک‌های بازسازی‌شدۀ C1uC2V2C3، C1QC2V2C3، C1eC2V2C3 و C1AC2V2C3 بسته به تعداد تناوب واکه‌ای در هر محرک (دیرش واکه) تا حدی زیادی متفاوت بود. پاسخ‌های واکه‌ای به محرک‌های واقع در ابتدای پیوستار به‌طور درخورتوجهی کمتر از محرک‌های پایانی بود. فراوانی پاسخ‌ها در نواحی میانی بین دو سر ابتدایی و انتهایی پیوستار نیز به‌صورت  تابعی از دیرش واکه تغییر می‌کرد. به بیان دیگر، شنونده‌ها برای تشخیص حضور یا نبود واکه در محرک‌های C1uC2V2C3، C1QC2V2C3، C1eC2V2C3 و C1AC2V2C3 به دیرش واکه حساسیت زیادی نشان می‌دادند. نبود تناوب واکه‌ای یا تعداد اندک تناوب‌های واکه‌ای (دیرش بسیار کوتاه واکه) در محرک‌های صوتی رشته‌های آوایی مدنظر برای شنونده‌ها به معنای نبود واکه و دیرش بلند واکه (وجود حداقل شش تناوب واکه‌ای در آغاز و شش تناوب واکه‌ای در انتها) در این محرک‌ها برای آنها به معنای حضور واکه بود. منحنی خوانش واکه‌ای در نواحی میانی پیوستار تناوب واکه‌ای (با دیرش متوسط واکه‌های /u/، /Q/، /e/ و /A/) روندی تدریجی با سطح اطمینانی بین 50 تا 80 درصد داشت که سطح اطمینان پاسخ‌ها به‌صورت تابعی از دیرش واکه‌ها افزایش می‌یافت. این واقعیت نشان می‌دهد الگوی توزیع پاسخ‌های شنیداری برای C1uC2V2C3، C1QC2V2C3، C1eC2V2C3 و C1AC2V2C3 با آنچه در مطالعۀ درک واکه‌های خیالی به دست آمده است، مطابقت ندارد؛ زیرا مطابق با فرضیۀ درک واکه‌های خیالی، درک واکه‌ در خوشه‌های همخوانی وابسته به تعداد تناوب‌های واکه‌ای در محرک‌های صوتی نیست و حتی نبود تناوب واکه‌ای در محرک‌های صوتی مربوطه مانع از درک واکۀ خیالی نمی‌شود.

بر این اساس، شواهد به‌دست‌آمده در پژوهش حاضر با فرضیۀ درک واکه‌های خیالی به‌طور کامل مطابقت ندارد؛ زیرا درک واکه‌های خیالی به‌طور نظام‌مند برای تمامی توالی‌های C1C2 و تمامی واکه‌های فارسی روی نمی‌دهد؛ بنابراین، با توجه به نتایج به‌دست‌آمده در این پژوهش، مشخص شد فرضیۀ مطرح‌شده مبنی بر آنکه «فارسی‌زبانان هجاهای حاوی خوشه‌های آغازی C1C2 را در رشته‌های آوایی بی‌معنی با توجه به محدودیت‌های نظام آوایی زبان فارسی، به‌صورت  توالی‌های آوایی C1VC2 درک می‌کنند» (یعنی رشته‌های آوایی غیرمجاز C1C2 را با درک یک واکۀ خیالی ترمیم می‌کنند)، فرضیۀ معتبری نیست.