Flege (1995) beszédelsajátítási modellje (speech learning model, a továbbiakban: SLM) az L2 beszédhangok percepcióját és a hozzájuk társuló artikulációs-motoros célbeállításokat helyezi a középpontba, illetve a fonetikai jegyek megkülönböztetését az akusztikumban. Az elmélet szerint a nyelvtanulás kezdeti szakaszában az L2 beszédhangok percepciójakor a nyelvtanuló az L2 beszédhangot a perceptuálisan legközelebbi L1-beli „pozicionális allofónhoz” (positional allophone, azaz anyanyelvi beszédhanghoz) kapcsolja (Flege 1995: 238). Így e szerint a modell szerint a L1-L2 beszédhangok közötti percepciós hasonlóság és megfeleltetés pusztán fonetikai alapokon nyugszik, a fonémák szintjéhez nem kötődik, mivel annál kevésbé absztrakt szinten megy végbe (Flege 1995: 239). Az SLM modell szerint amennyiben az L2 beszédhang az L1-beli megfelelőjével fonetikailag azonos, akkor a nyelvtanuló nem ütközik problémákba az elsajátítás során, azonban ha az L1 és L2 beszédhangok között valamilyen mértékű akusztikai különbség fedezhető fel, akkor az elsajátítás már nehezebb lehet. Tehát, ha az adott L2 beszédhang fonetikai szempontból különbözik az L1-ben megjelenő megfelelőjétől, azonban az eltérés nem olyan mértékű, hogy ez az akusztikai különbség a nyelvtanuló számára kontrasztív legyen, akkor a nyelvtanulók anyanyelvi észlelése kiszűri azokat az akusztikai jellemzőket, amelyek segítenék a diszkriminációt. Ilyen beszédhangoknak tekinthető például a 2.4.1. fejezetben, a beszédhang-percepciónál tárgyalt fonetikai megvalósulás szempontjából árnyalatnyilag különböző angol és spanyol /b/ és /p/ beszédhangpár szembenállása. Azt a jelenséget, amikor az akusztikai különbségek dacára a nyelvtanuló az anyanyelvi megfelelőjével helyettesíti az L2 beszédhangot, ekvivalensként való osztályozásnak (equvivalence classification) nevezzük (Flege 1987a, 1987b, 1988, 1995). Ez a jelenség párhuzamba állítható azzal a folyamattal, amit Ranschburg Pál (1914/1988) homogén gátlás néven írt le: minél homogénebb ingerek érik az ember tudatát, annál egységesebbnek és egyezőbbnek érzi ezeket az ingereket, ezért kevésbé észleli a közöttük fellelhető eltéréseket. A homogén gátlással is leírható jelenséget Flege és Bohn úgy fogalmazzák meg, hogy minél kisebb az L1 és az L2 beszédhang közötti észlelt fonetikai távolság, azaz minél homogénebbek és hasonlóbbak ezek a beszédhangok, annál jobban érvényesül a gátló hatás, ami megakadályozza, hogy észleljük a közöttük lévő különbséget (Flege 1995: 243, Flege–Bohn 2021). Ugyanígy az L1 és az L2 beszédhangok minél távolabb vannak egymástól perceptuálisan, annál valószínűbb, hogy a nyelvtanuló az L2 beszédhangnak új kategóriát hoz létre az elméjében. Flege (1995) SLM modellje nem ad pontos meghatározást arra vonatkozóan, hogy hogyan lehet mérni ezt a beszédhangok között észlelt fonetikai távolságot (Escudero 2005). Ugyanakkor ez a modell nemcsak az L2-elsajátítás kezdeti, hanem záró szakaszával is foglalkozik. Mint már említettem, Flege nevéhez fűződik egy, a kritikus periódus hipotézisnek ellentmondó kutatás is, mely szerint az L2-elsajátítás és az új beszédhang-kategóriák létrehozása az egész életciklus alatt lehetséges (Flege 1995: 233, vö. 2.3.1. fejezet). A kategóriák kikristályosodásával azonban (azaz a korral és a nyelvi tapasztalattal) egyre nehezebb ellenállni az ekvivalensként való osztályozásnak és az új beszédhang-kategóriák kialakításának. Flege (1995) az L1 és az L2 hangrendszerét egyetlen fonológiai térben képzeli el, ahol a nyelvek kölcsönösen hatással vannak egymás percepciójára, azaz nem csak az L1 befolyásolja az L2 beszédhangok percepcióját, hanem ez fordítva is igaz, ezzel egy köztes észlelési rendszert hozva létre az L1 és az L2 között. Flege (1995) modelljében a köztes észlelési rendszer gondolata a már korábban említett Caramazza és munkatársai (1973) vezette kutatáson (is) alapszik melyben francia-angol kétnyelvű beszélőknek az L1-ük és L2-jük közé eső, „átmeneti” VOT-értéknél észlelték a zöngés-zöngétlen zárhangok közötti kategóriahatárt. Flege ebből kiindulva feltételezett egy közös percepciós rendszert az L1 és az L2 számára.

A Flege-féle SLM (1995) azonban rendelkezik egy revideált változattal is, vagyis az SLM-r-rel (Flege–Bohn 2021). A revideált SLM-r modell az SLM-hez hasonlóan azt feltételezi, hogy a beszédhang-elsajátítás mind az L1-ben, mind az L2-ben ugyanazon folyamatok révén megy végbe, és a beszédhang-kategóriák formációja a tapasztalt ingerek mennyisége és statisztikai eloszlása alapján megjósolható, és az életkor előrehaladásától független. Annak ellenére, hogy a nyelvtanulók elméjében mind az L1, mind az L2 elsajátításakor ugyanazok a folyamatok játszódnak le, az L2-mintázatok elsajátítása mégis problémákba ütközhet abból fakadóan, hogy (az anyanyelv-elsajátítással szemben) az L2 tanulásakor az L1 beszédhangkészlet befolyásolja a célnyelvi percepciót és produkciót. A percepció és produkció kapcsolatát illetően az SLM-r hipotézise szerint e két kompetencia szimultán és együtt fejlődik, és össze van kapcsolva (szemben az eredeti modellel, amely szerint a natívszintű percepció előfeltétele a helyes produkció elsajátításának). Flege és Bohn ezt a hipotézist Günther és munkatársai (1998) eredményeire alapozza, miszerint a percepcióért és produkcióért felelős agyi területek egy időben kerülnek aktivált állapotba.

Továbbá az elődjéhez hasonlóan az SLM-r is feltételezi, hogy minél nagyobb a fonetikai távolság az L1 és L2 beszédhangok között, annál valószínűbb az, hogy új beszédhang-kategória jön létre, és a nyelvközi (tehát L1 és L2 beszédhangok közötti) fonetikai távolságot az SLM-r modell is elsősorban percepció alapján megközelítendő tulajdonságnak ítéli meg. Azonban elődjéhez hasonlóan az SLM-r modell sem kínál egy átfogó módszert a nyelvközi fonetikai távolság mérésére és számszerűsítésére, pontosabban Flege és Bohn az L1 és L2 beszédhangok közötti különbségének intervallumskálán való osztályozását tekinti egy potenciális megoldásnak erre a célra (2021: 35).

Az anyanyelvi és célnyelvi beszédhang-kategóriák változását és formációját az SLM-r modell már a beszélő által tapasztalt ingerek mennyisége, minősége és statisztikai eloszlása alapján ragadja meg. A statisztikai eloszlást a következő példával lehet illusztrálni: a beszédhang-kategóriák legjobbnak ítélt megvalósulásai feltételezhetően a tapasztalt ingerek eloszlásának „súlypontjánál” helyezkednek el. (Ez a VOT-kontinuum egyetlen dimenziójában például azt jelenti, hogy adott nyelvtanuló minél több – az anyanyelvére nem jellemző – aspirált, tehát hosszú +VOT-értékkel megvalósuló explozívát hall, annál inkább tágul az adott zárhangkategória a +VOT irányba az észlelésében, míg végül az újonnan megjelenő bimodális eloszlás révén új kategória formálódik. Továbbá a célnyelvi percepció fejlődésében a fonetikai távolság és az ingerek eloszlása szempontjából az is egy fontos faktor, hogy a legközelebbi L1-kategória mennyire precíz (Flege–Bohn 2021: 35). A precizitást ebben az esetben leginkább a haranggörbék formájához, vagyis a lapultságukhoz lehetne kötni és illusztrálni. Ha a fentebbi VOT-hez kapcsolódó példát gondoljuk tovább, akkor a precizitás úgy értelmezhető, hogy a VOT-dimenzió mentén tapasztalt ingerek mennyiségét megjelenítő (ideális esetben) haranggörbe csúcsos (tehát az értékek az átlag körül koncentrálódnak). Ez esetben egy jól körülírható beszédhang-kategóriáról beszélünk. Ezzel szemben akkor, ha a görbe lapult, a kategória tagjai variábilisabbak, tehát a megvalósulások átlag körüli koncentrációja alacsony.

Visszatérve az SLM-r modell bemutatására, fontos megjegyezni azt is, hogy az SLM-hez hasonlóan az SLM-r is megőrzi azt a feltételezést, miszerint az L1 és az L2 beszédhangok egyazon fonetikai térben helyezkednek el, és ezáltal az anyanyelv és a célnyelv folyamatos interakcióban van, és a nyelvi tapasztalat növekedésével feltételezhetően az L2 hatása is növekszik az L1-re. (Ehhez kapcsolódóan a kínai lexikai tónusok magyar monoszillabikus intonációs kontúrokra gyakorolt hatásának vizsgálatát lásd: Juhász 2023b.)

Összegezve tehát az SLM és az SLM-r modellek hipotéziseit, mindkét célnyelv-elsajátítást középpontba helyező modell alapfelvetése az, hogy az L1 beszédhangkészlete és az L1 beszédhangok akusztikai/artikulációs tulajdonságai alapvetően meghatározzák a célnyelvi beszédhangok elsajátítását. Tehát ezen modellek esetében nem az L1-ben megjelenő fonémák és oppozíciók rendszere van a középpontban, hanem ehelyett a pozicionális allofónok, tehát maguk a beszédhangok. A modellek hipotézise szerint a fentebb leírt anyanyelvi hatás abból fakad, hogy a nyelvtanulás kezdeti szakaszában az L2 beszédhangok az anyanyelvi L1-es megfelelőikhez kapcsolódnak perceptuálisan. Vagyis az új (L2-re jellemző) beszédhang-kategóriák formációja annak függvényében megy végbe, hogy mekkora az észlelt akusztikai távolság a hasonló L1 és L2 beszédhangok között, valamint attól, hogy az adott L2 beszédhanghoz akusztikailag legközelebbnek számító L1 beszédhang-kategória mennyire enged meg variabilitást a realizációi tekintetében. Azonban ez az L1 és L2 beszédhangok közötti kapcsolat a célnyelvi tapasztalat függvényében folyamatosan változik, hiszen beszédhangok percepciója és produkciója, illetve az új (L2) beszédhang-kategóriák kialakulása is megjósolható a tapasztalt ingerek mennyisége és statisztikai eloszlása alapján. Ez azt jelenti, hogy a meglévő beszédhang-kategóriák alakulása, és az új (L2) beszédhang-kategóriák létrejötte az egész életciklus alatt folyamatos, és a környezeti ingerek hatására változik. Tehát e hipotézis alapján a több nyelvi tapasztalattal rendelkező nyelvtanulók a kevesebb tapasztalattal rendelkezőkhöz képest feltételezhetően jobban megközelítik az anyanyelvi (L2-es) mintázatokat mind percepció, mind produkció terén, hiszen őket nagyobb mennyiségű L2-re jellemző környezeti inger érte.

Best (1994, 1995, 2001) perceptuális asszimilációs modellje (perceptual assimilation model, a továbbiakban: PAM) az L2-elsajátítás kezdeti szakaszát helyezi a középpontba, azon belül is a beszédhangok közötti – elsősorban nem anyanyelvi – szembenállásra összpontosítva. Ez a modell azért is számít különlegesnek, mert Best szerint a felnőttek az artikulációs gesztusokból, azaz a képzési jegyek összességéből nyernek közvetlen információt a beszédhangokról, és az észlelés során nem alakul ki mentális reprezentáció (vö. Browman és Goldstein 1989 artikulációs fonológiai elmélete). Flege SLM-jéhez hasonlóan ebben a modellben sem kérdőjeleződik meg a nyelvspecifikus észlelés, ami percepciós tanulás eredménye. A modell szerint az anyanyelv-elsajátítás során a csecsemők kiszűrik az L1-ben kontrasztívnak minősülő, azaz jelentésmegkülönböztető jegyeket, ezáltal egyszerűbbé válik az észlelésük. Ugyanakkor később, az L2 elsajátításakor a nem natív szembenállások elsajátítását az észlelésnek ez a tulajdonsága gátolja. Ebből a folyamatból következően a nyelvtanulók az L1-től eltérő L2 beszédhangokat az egyes anyanyelvi beszédhangok kategóriáiba asszimilálják.

A PAM szerint az asszimiláció a perceptuális hasonlóságon alapszik, amit a nyelvtanulók elsősorban artikulációs és csak másodsorban akusztikai információ alapján nyernek ki. Ugyanakkor, mint azt már az előbb említettem, a PAM nem beszédhang-beszédhang közötti artikulációs és/vagy akusztikai természetű hasonlóságokkal foglalkozik, hanem az adott nyelvben jelen lévő szembenállásokkal. Ezért az asszimiláció típusait is az alapján határozza meg, hogy az L2-beli kontraszt mennyiben feleltethető meg valamilyen L1-beli szembenállásnak, és ezáltal valószínűsíthető-e a nem natív oppozíció diszkriminációja és az új beszédhang-kategóriák létrehozása. Az elsajátítandó L2-beli oppozíció diszkriminációja abban az esetben lesz a legpontosabb, ha két kategóriába való asszimiláció történik, azaz az L2-szembenállás a natív szembenállásnak feleltethető meg. Ennél kevésbé sikeres diszkrimináció jósolható akkor, ha a nyelvtanulók a szembenálló beszédhangokat egyetlen L1-kategóriába sorolják (egyetlen kategóriába való asszimiláció), de ez csak abban esetben történhet meg, ha a két inger ugyanannyira jó vagy rossz megvalósulása az adott kategóriának. Ha a két inger egyike az adott L1-kategória jó, míg a másik kevésbé jó verziója, akkor kategóriahelyesség szerinti asszimiláció történik, amire Best (1995) az előbbieknél is pontatlanabb diszkriminációt feltételez. Ha a beszédhangpárnak csak az egyik tagja vagy esetleg egyik tagja sem asszimilálható egyetlen natív beszédhang-kategóriába sem, akkor az előbbi esetben kiváló, míg az utóbbi esetben az ingerektől függően kiváló vagy nagyon gyenge megkülönböztetést feltételez (rendre kategorizált-kategorizálatlan és kategorizálatlan-kategorizálatlan asszimiláció). Ezeket az asszimilációtípusokat a 21. ábra mutatja be.

Kuhl (2000) anyanyelvi mágneshatás modellje (native language magnet model, NLM) szerint a beszédhangok észlelése mögött egy komplex neurális leképezési folyamat áll, amely absztrakt fonetikai kategóriákat kódol. A többi modellhez hasonlóan, ez a modell is bizonyos életkortól nyelvspecifikus percepciót feltételez, azonban emellett Kuhl azt is megfogalmazza, hogy „egyik nyelv beszélője sem észleli ténylegesen az akusztikai valóságot, mert azt a percepció megváltoztatja és torzítja a nyelv szolgálatában” (Kuhl 2000: 11852, a szerző fordítása). Ez a torzítási folyamat már a születés utáni első évben megtörténik, de előtte az újszülöttek az akusztikai jelek sokaságából a környezeti ingerek alapján képesek detektálni az egyes képzési jegyek eloszlását és megjelenési valószínűségét. Ez azt jelenti, hogy a gyermek az akusztikai ingerekből képes kiválogatni a legjellemzőbb megvalósulásokat, és ezekből prototípusokat készíteni az egyes beszédhangokra. Az NLM az L2 beszédhangok észlelését egy L1-alapú torzításként fogalmazza meg, melyben az L1 beszédhangjai, avagy prototípusai „mágnesként” húzzák magukhoz az L2 beszédhangokat, és ezzel csökkentik a perceptuális távolságot az anyanyelvi „mágneses” beszédhang és az L2 beszédhang között (Kuhl 1991, Iverson–Kuhl 1995). Más szóval ez a modell a percepciós tér torzítását feltételezi az L1 beszédhangok körül. Ennek ellenére a nyelvi tapasztalattal e modell esetében is lehetséges a „mágnesesség” legyőzése, és új beszédhang-kategóriák kialakítása, habár ezt a szerző jóval nehezebbnek ítéli, mint az L1-hez hasonló beszédhangok helyes elsajátítását.

Escudero (2005, 2009) második idegennyelv-észlelési modellje (second language linguistic perception, a továbbiakban: L2LP) modellje az egész L2 nyelvelsajátítási folyamat leírását tűzi ki a naiv, kezdő L2 tanulótól az anyanyelvi szintű L2 elsajátításig (Tyler et al. 2014, van Leussen – Escudero 2015). Ez a modell az előbbiekhez képest a legújabb, legfrissebb lévén az őt megelőző modellekből merítve, ugyanakkor azokat sok szempontból kiegészítve írja le az L2-elsajátítás folyamatát számítógépes algoritmusok és empirikus kísérletek segítségével megerősítve (van Leussen – Escudero 2015). Escudero modellje az optimalitáselméleten (Prince–Smolensky 1993/2004) alapul, ami a nyelvek különböző fonológiai rendszereit a megszorítások nyelvenként eltérő hierarchiai rangsorával magyarázza. A megszorításokat, valamint ezek hierarchiai rendszerét a fokozatos tanulás algoritmusa alakítja ki, majd ezeket a megszorításokat felhasználva az univerzális grammatika részeként jelen lévő percepciós grammatika kódolja az akusztikai ingert perceptuális egységekké (fonémákká). Az L2 elsajátításakor e modell „teljes másolást” feltételez, ami a „teljes transzfer” egy fajtája, azonban egy, az L1-től független percepciós grammatika kialakítására utal. Valamint a teljes másolás mellett „teljes hozzáférés” is létrejön az univerzális grammatikához és az összes olyan folyamathoz, amik az L1 elsajátításában szerepet játszottak. Ezáltal a nyelvtanuló egyfelől képessé válik az egyre növekvő számú L2 inger révén fokozatosan áthangolni a percepciós grammatikáját az L1-ről az L2-re, másfelől a nyelvelsajátítási folyamat végére képes az anyanyelvi szintű elsajátításra. Az anyanyelvi szintű elsajátítás révén a nyelvtanuló képessé válhat mind az L1-ben, mind az L2-ben natív szintű percepcióra, amennyiben mindkettő nyelvet napi rendszerességgel használja (Escudero 2005).

Az SLM-mel ellentétben, amely a beszédhangokat egymástól függetlenül tekinti, de a PAM-hoz hasonlóan az L2LP modellben is a beszédhangok szembenállása alapján tudunk következtetni az észlelési nehézségekre. A modell a szembenállásoknak három típusát, szcenárióját különbözteti meg.

1. Ha az L2-ben több beszédhang-kategóriát kell megkülönböztetni, mint az L1-ben, akkor a nyelvtanuló gyakran több L2 beszédhangot sorol egyetlen L1 kategóriába, azaz figyelmen kívül hagy L2-kontrasztokat (mint például a japán anyanyelvűek az /r/ és az /l/ esetében). Megoldásképp újra kell osztani a meglévő L1 kategóriákat, és ezáltal új szembenállásokat létrehozni. (Ez a szituáció megfeleltethető a PAM egyetlen kategóriába való asszimilációjának (Escudero 2005).)

2. A második esetben az L1-ben ugyanannyi beszédhang áll szemben egymással, mint az L2-ben, azaz van olyan L1-kontraszt, amely megfeleltethető az L2-szembenállásnak, de vannak eltérések a kategóriák között. Az L2LP-ben ez a hasonló szituáció, melyre példa lehet az angol és a spanyol /b/ és /p/ szembenállása is a nyelvtanulók számára, hasonlóan a PAM két kategóriába való asszimilációjához (Escudero 2005).

3. A harmadik esetben, amikor részhalmazt képzünk, akkor az L1 az L2-nél több kategóriával rendelkezik, ezért az L1 kategóriákon belül részhalmazokat kell kialakítani az L2 beszédhangok számára (Escudero 2005) (22. ábra).

Összességében azt mondhatjuk, hogy az L2LP a PAM-hoz hasonlóan egy új kategória létrehozását ítéli meg nagyobb kihívásnak a nyelvtanuló számára. Egy rövid kitérő erejéig visszatérve az anyanyelvi szintű elsajátításhoz, meg kell jegyeznünk, hogy az elkülönülő L1 és L2 percepciós rendszerek, avagy percepciós grammatikák gondolata teljesen ellentmond Flege eredeti SLM-jében leírtaknak. Flege (1995) ugyanis feltételezett egy közös, sem az L1-hez sem az L2-höz nem köthető, „átmeneti” kategóriahatárokkal működő percepciós rendszert, amelyben az L1 percepciója is együtt hangolódik az L2-vel. Escudero (2005) azonban ezeket az átmeneti kategóriahatárokat Grosjean (2001) nyelvimód-hipotézisével magyarázza, azaz a két nyelv együttes aktivációjának tulajdonítja a köztes értékeket. Escudero (2005) szerint az L1 és az L2 számára külön-külön percepciós grammatika áll rendelkezésre, ezért a nyelvtanulók számára lehetséges az L2 akcentusmentes elsajátítása. Az átmeneti kategóriahatárokra vonatkozó hipotézisét Flege és Bohn a revideált SLM-r modellben (2021) úgy pontosítja, hogy megőrzi azt az elképzelést, hogy az L1 és L2 beszédhangok egyetlen fonetikai térben léteznek, azonban a nyelvspecifikus perceptuális és produkciós kompetenciákat a Grosjean-féle nyelvi módokhoz, vagyis a nyelvek aktivációs szintjének függvényéhez köti (2021: 44). Továbbá az SLM modellek és az L2LP modell között ellentmondásos predikciók fogalmazódtak meg az akcentusjelenségek vizsgálata szempontjából nagyon is említésre méltó feltételezéssel kapcsolatban, miszerint Flege SLM-jével és SLM-r-jével szemben Escudero L2LP modellje lehetségesnek tartja a teljesen natív szintű észlelés elérését az L2 tanulásában.

Összevetve az L2 beszédhangok elsajátítási modelljeit, elmondható, hogy az L1 hatása az L2 beszédhang-elsajátításra meghatározónak tekinthető az összes modell esetében, ezért abban az esetben, ha predikciókat szeretnénk megfogalmazni az L2 akcentusos ejtésének jellemzőivel kapcsolatban, mindenképpen az anyanyelvet kell tekintenünk referenciapontnak. Azonban a L2 elsajátítást vizsgáló modellek fentebb bemutatott ellentétes predikcióiból fakadóan az értekezés hipotéziseinek megfogalmazását megelőzően mindenekelőtt szükséges eldönteni azt, hogy melyik célnyelv-elsajátítási modell alkalmas leginkább a kötetben bemutatott kísérletek eredményeit prediktálni. Az értekezés alapját képző célnyelv-elsajátítási modellt és a kapcsolódó kötet szempontjából alapvető predikciókat a következő, 2.5.3. fejezetben mutatom be.