gms | German Medical Science

Cocktail-Party-Situationen (CPS) können entweder statisch (Zielsprecher konstant) oder dynamisch (Zielsprecher wechselt unvorhersehbar) sein. Aufgrund der Notwendigkeit, auf mehrere Sprecher gleichzeitig zu achten und die Aufmerksamkeit von einem Sprecher zum anderen zu wechseln, sind dynamische Situationen mit einer höheren kognitiven Belastung und somit mit einer Reduzierung der Sprachverständlichkeit im Vergleich zu statischen Situationen verbunden, was auch als „Kosten“ bezeichnet wird [1]. Allerdings wurden in den genannten Studien vorrangig Matrixsätze verwendet, die aufgrund ihres geringen Sinninhalts im Vergleich zu Gesprächen aus dem Alltag nur wenig semantische Kontextinformationen bieten. Da es Hinweise darauf gibt, dass semantischer Kontext die Bildung auditorischer Ströme und den Gedächtnisabruf erleichtert (z.B. [2]), gehen wir davon aus, dass er die kognitive Belastung verringern kann. Unter der Annahme, dass kognitive Ressourcen begrenzt sind, stellen wir die Hypothese auf, dass höherer Kontext hilft, mehr kognitive Ressourcen für die Herausforderungen dynamischer CPS bereitzustellen, und somit zu geringeren Kosten führt.

Es wurden CPS mit drei konkurrierenden Sprechern simuliert, die sich an unterschiedlichen Positionen befanden. Probanden sollten die Wörter des Zielsprechers wiederholen, welcher sich durch eine höhere Stimme von den Maskierern unterschied. Die CPS waren entweder statisch oder dynamisch, d.h. der Zielsprecher blieb je nach Kondition auf der gleichen Position oder änderte seine Position in unvorhersehbaren Mustern. Die drei Sprecher äußerten entweder Matrixsätze wie „Simon bestellt vierzig nasse Flaschen.“, von denen angenommen wird, dass sie eine geringe Vorhersagbarkeit haben (niedriger Kontext), oder bedeutungsvollere Alltagssätze wie „Die Henne legte ein Ei.“ (hoher Kontext).

Sätze mit geringem und hohem Kontext basierten auf etablierten Satztests (Oldenburger, Göttinger und Basler), wurden jedoch nicht mit ihren Original-Audioaufnahmen verwendet, sondern mit einem Text-to-Speech-Algorithmus synthetisiert. Auf diese Weise konnte die Vergleichbarkeit zwischen Materialien mit niedrigem und hohem Kontext erhöht werden, indem die in den Originalaufnahmen vorhandenen Unterschiede zwischen den Sprechern vermieden wurden. Außerdem konnte hierdurch die Menge der Wörter der Matrixsätze erhöht und somit die Rate-Wahrscheinlichkeit verringert werden, die Matrixtests oft innewohnt.

In einem ersten Schritt werden Daten von jungen normalhörenden Erwachsenen gezeigt. Die Ergebnisse werden anhand von Metriken für sprachliche Kontexteffekte analysiert, mit den Vorhersagen eines Machine-Learning-Modells verglichen und vor dem Hintergrund kognitiver Modelle des Sprachverstehens diskutiert.

Förderung: DFG (ME2751/3-2)