Πιλοτική μελέτη του Immersive VoiceSpace VR (N=17, φωνητικά υγιείς και άτομα με δυσφωνία) - οι συμμετέχοντες κλιμάκωσαν ένταση και τονικό ύψος σε διαβαθμισμένες συνθήκες εικονικού εστιατορίου

Υπόβαθρο

Η αλλαγή της φωνής είναι ζήτημα κινητικής μάθησης, όχι απλώς γνωστικό ζήτημα. Η συμπεριφορική φωνητική θεραπεία είναι αποτελεσματική για πολλές φωνητικές καταστάσεις, αλλά τα οφέλη στην κλινική συχνά δεν μεταφέρονται στην καθημερινή επικοινωνία. Η βιβλιογραφία της κινητικής μάθησης είναι σαφής γιατί: η ανθεκτική αλλαγή εξαρτάται από την εξάσκηση σε συνθήκες που μοιάζουν με το πλαίσιο-στόχο, και όχι μόνο από την εκτέλεση της συμπεριφοράς σε μια δομημένη συνεδρία. Το Specificity of Learning Principle, το Transfer-Appropriate Processing και το Encoding Specificity συγκλίνουν στο ίδιο σημείο - όταν οι αισθητηριακές και πλαισιακές απαιτήσεις της εξάσκησης ταιριάζουν με τις απαιτήσεις της πραγματικής χρήσης, η μεταφορά είναι ισχυρότερη.

Η πραγματική χρήση της φωνής συμβαίνει υπό πολυεπίπεδες απαιτήσεις: επικοινωνιακή πρόθεση, απόσταση από τον ακροατή, κοινωνικο-συναισθηματική πίεση, μέγεθος χώρου, ακουστική φόντου και οπτικο-χωρικές ενδείξεις που σηματοδοτούν πόση φωνή απαιτείται πριν ακόμη μιλήσει το άτομο. Οι συμβατικές κλινικές αίθουσες ελαχιστοποιούν εσκεμμένα αυτές τις μεταβλητές, κάτι που εξυπηρετεί την αρχική απόκτηση αλλά υποαντιπροσωπεύει ακριβώς τις ενδείξεις από τις οποίες η θεωρία της μάθησης λέει ότι εξαρτάται η γενίκευση.

Η εμβυθιστική εικονική πραγματικότητα προσφέρει έναν ελεγχόμενο τρόπο να επανεισαχθούν αυτές οι ενδείξεις. Η πολυαισθητηριακή μελέτη του Daşdöğen του 2023 (σε αυτό το Hub) τεκμηρίωσε ότι οι οπτικές και οπτικοακουστικές ενδείξεις VR οδηγούν σε μετρήσιμες φωνητικές προσαρμογές σε φωνητικά υγιείς ενήλικες, πέρα από όσα παράγει η ακουστική προσομοίωση μόνη της. Η μελέτη του 2026 για εκπαιδευμένους τραγουδιστές (επίσης σε αυτό το Hub) επέκτεινε αυτό συγκρίνοντας ειδικούς και μη εκπαιδευμένους ομιλητές. Η παρούσα μελέτη κάνει το επόμενο βήμα: διατηρείται το ίδιο αποτέλεσμα σε έναν κλινικό φωνητικό πληθυσμό και είναι εφικτή η χρήση μιας προσαρμοσμένης φωνητικά αποκρινόμενης πλατφόρμας VR σε αυτόν τον πληθυσμό.

Τι έκαναν οι ερευνητές

Μια within-subjects πιλοτική στο Mount Sinai με 17 ενήλικες: 10 φωνητικά υγιείς ομιλητές που στρατολογήθηκαν από την κλινική ωτορινολαρυγγολογίας και το νοσοκομειακό προσωπικό και 7 άτομα με δυσφωνία που στρατολογήθηκαν κατά τη διάρκεια επισκέψεων φωνητικής αξιολόγησης ρουτίνας (οι διαγνώσεις περιλάμβαναν πρεσβυφωνία, πολύποδα φωνητικής χορδής, πάρεση φωνητικής χορδής, δυσφωνία μυϊκής έντασης και φωνητική φροντίδα επιβεβαίωσης φύλου).

Η παρέμβαση ήταν το Immersive VoiceSpace (IVS) - μια προσαρμοσμένη πλατφόρμα VR που αναπτύχθηκε από τον μοναδικό συγγραφέα. Το IVS απεικόνιζε ένα ελαφρά πληθυσμένο εικονικό εστιατόριο σε ένα headset Oculus Quest 3. Ένας χαρακτήρας NPC σερβιτόρου λειτουργούσε ως στόχος ακροατή. Ο σερβιτόρος αποκρινόταν σε πραγματικό χρόνο στη φωνή του συμμετέχοντος: αν η ένταση της φωνής έφθανε ένα προκαθορισμένο κατώφλι, ο σερβιτόρος πλησίαζε και παρέμενε σε στάση ακρόασης· αν έπεφτε κάτω από το κατώφλι περισσότερο από έναν καθορισμένο χρόνο αναμονής, ο σερβιτόρος απομακρυνόταν.

Τρεις παράμετροι διαβαθμίστηκαν στις συνθήκες:

• Απόσταση ακροατή - 5 m (Normal), 10 m (Effortful), 15 m (Calling)
• Κατώφλι φωνητικής ενεργοποίησης - +3 dB, +5 dB, +10 dB πάνω από την SPL της συνθήκης baseline κάθε συμμετέχοντα
• Χρόνος αναμονής αποχώρησης - 5 s, 10 s, 20 s

Η εργασία ομιλίας ήταν η ίδια και στις τέσσερις συνθήκες: “Παράγγειλε ένα ποτό, ένα ορεκτικό, ένα κυρίως πιάτο και ένα επιδόρπιο.” Η συνθήκη Baseline εκτελέστηκε με μέλος της ερευνητικής ομάδας να λειτουργεί ως ακροατής στην κλινική αίθουσα στα ~2 m. Οι τρεις συνθήκες IVS εκτελέστηκαν στο εικονικό εστιατόριο σε τυχαιοποιημένη σειρά.

Για να απομονωθούν τα οπτικο-χωρικά αποτελέσματα, ο ήχος περιβάλλοντος του εστιατορίου (συζητήσεις φόντου και ήχοι μαχαιροπίρουνων, που το IVS μπορεί να αναπαράγει) σιγάστηκε σε όλες τις πειραματικές συνθήκες. Η ακουστική εγγραφή έγινε μέσω ενός πυκνωτικού μικροφώνου AKG C520 τοποθετημένου στο κεφάλι, σε απόσταση 7 cm από το στόμα, βαθμονομημένου σε αναφορά 30 cm, λήφθηκε στα 44,1 kHz / 16 bit μέσω Computerized Speech Lab (CSL).

Εκβάσεις: στάθμη ηχητικής πίεσης (SPL, dB) και μέση θεμελιώδης συχνότητα ομιλίας (μέση f0, Hz), η καθεμία εξήχθη από το CSL και αναλύθηκε σε ξεχωριστά γραμμικά μοντέλα μικτών επιδράσεων με τυχαία τομή ανά υποκείμενο. Οι σταθερές επιδράσεις ήταν Ομάδα (Τυπική, Άτυπη) και Συνθήκη Εργασίας (Baseline, Normal, Effortful, Calling). Η αλληλεπίδραση Ομάδα x Συνθήκη Εργασίας διατηρήθηκε για τη μέση f0 (σημαντική) και αφαιρέθηκε από το τελικό μοντέλο SPL (μη σημαντική). Οι σταθερές επιδράσεις αξιολογήθηκαν με αθροίσματα τετραγώνων Τύπου III και προσεγγιστικούς βαθμούς ελευθερίας Kenward-Roger· οι ανά ζεύγη αντιπαραθέσεις χρησιμοποίησαν εκτιμώμενες περιθώριες μέσες τιμές με διόρθωση Tukey.

Ένα ερωτηματολόγιο Likert 5 σημείων (αναπτυγμένο από τον συγγραφέα, μη επικυρωμένο ακόμη) κατέγραψε τέσσερις τομείς μετά τη συνεδρία: Χρηστικότητα και Αλληλεπίδραση, Εμβύθιση και Ρεαλισμός, Εμπλοκή και Αντιληπτό Όφελος, Άνεση και Ασφάλεια. Οι βαθμολογίες τομέα προσεγγίστηκαν με μέσο όρο· ένας συνολικός δείκτης σκοπιμότητας ήταν ο μέσος όρος των τεσσάρων τομέων. Η ανοικτή ανατροφοδότηση εξετάστηκε περιγραφικά.

Τι βρήκαν

Στάθμη ηχητικής πίεσης. Μια σημαντική κύρια επίδραση του Επιπέδου IVS: F(3, 48) = 33,94, p < 0,001. Σε σχέση με τη Baseline, η SPL αυξήθηκε κατά 3,83 dB στο Normal, 7,41 dB στο Effortful και 9,04 dB στο Calling (όλα p < 0,001). Οι ανά ζεύγη αντιπαραθέσεις Normal-προς-Effortful και Normal-προς-Calling ήταν σημαντικές· το βήμα 1,63 dB από Effortful σε Calling δεν ήταν (p = 0,450), γεγονός που υποδηλώνει ένα πρότυπο τύπου ταβανιού στο υψηλότερο επίπεδο απαίτησης. Η κύρια επίδραση Ομάδας ήταν επίσης σημαντική: τα άτομα με δυσφωνία παρήγαγαν κατά μέσο όρο περίπου 6,88 dB χαμηλότερη SPL από τους φωνητικά υγιείς ομιλητές. Η αλληλεπίδραση Ομάδα x Επίπεδο δεν ήταν σημαντική και ως εκ τούτου αφαιρέθηκε από το τελικό μοντέλο SPL - και οι δύο ομάδες αύξησαν την ένταση παράλληλα καθώς οι απαιτήσεις της εργασίας κλιμακώνονταν.

Μέση f0 ομιλίας. Μια σημαντική κύρια επίδραση του Επιπέδου IVS: F(3, 45) = 17,63, p < 0,001. Σταδιακές αυξήσεις σε σχέση με τη Baseline (τομή ≈ 201,8 Hz για την τυπική ομάδα) περίπου 36 Hz στο Normal (p = 0,008), 66,6 Hz στο Effortful (p < 0,001) και 103,9 Hz στο Calling (p < 0,001). Η κύρια επίδραση Ομάδας ήταν σημαντική, αλλά σημαντική ήταν επίσης και η αλληλεπίδραση Επίπεδο x Ομάδα: F(3, 45) = 3,94, p = 0,014. Αποσύνθεση της αλληλεπίδρασης: στη Baseline οι ομάδες δεν διέφεραν στη μέση f0 (p = 0,102)· στο Normal η διαφορά πλησίαζε χωρίς να φτάνει τη σημαντικότητα (p = 0,055)· στο Effortful (p = 0,003) και στο Calling (p < 0,001) το χάσμα ήταν σημαντικό και αυξανόταν με τις απαιτήσεις. Η ομάδα με δυσφωνία αύξησε το τονικό ύψος με τις απαιτήσεις, αλλά σε μικρότερο βαθμό από τη φωνητικά υγιή ομάδα.

Σκοπιμότητα. Βαθμολογίες τομέα (από 5): Χρηστικότητα και Αλληλεπίδραση 3,9 (μέτρια-καλή), Εμβύθιση και Ρεαλισμός 3,4 (μέτρια, ο χαμηλότερος τομέας), Εμπλοκή και Αντιληπτό Όφελος 4,0 (καλή), Άνεση και Ασφάλεια 4,5 (εξαιρετική). Συνολικός δείκτης σκοπιμότητας 4,0 (καλή). Κανένα ανεπιθύμητο συμβάν, καμία cybersickness, καμία τεχνική διακοπή κατά το πρωτόκολλο. Ο μέσος χρόνος αναδιαμόρφωσης παραμέτρων μεταξύ δοκιμών ήταν περίπου 2 λεπτά. Η συνολική διάρκεια συνεδρίας ήταν περίπου 20 λεπτά ανά συμμετέχοντα.

Ποιοτική ανατροφοδότηση. Οι συμμετέχοντες περιέγραψαν την εμπειρία ως “διασκεδαστική,” “σαν βιντεοπαιχνίδι” και “ρεαλιστικό τρόπο εξάσκησης της φωνητικής χρήσης.” Επεσήμαναν τη ζωντανή, αποκρινόμενη συμπεριφορά του σερβιτόρου ως το πιο ελκυστικό στοιχείο. Η πιο σταθερή αρνητική ανατροφοδότηση αφορούσε την περιορισμένη αλληλεπιδραστική συμπεριφορά του σερβιτόρου - οι συμμετέχοντες επιθυμούσαν λεκτικές αποκρίσεις, εκφράσεις προσώπου και χειρονομίες κατά τους κύκλους ακρόασης ώστε η αλληλεπίδραση να φαίνεται πιο φυσική.

Γιατί έχει σημασία

Για το Evidence Hub, τρία πράγματα είναι σημαντικά σε αυτό το άρθρο:

• Πρώτη δημοσιευμένη χρήση σε κλινικό πληθυσμό μιας προσαρμοσμένης φωνητικά αποκρινόμενης πλατφόρμας VR. Προηγούμενη εμβυθιστική VR φωνητική εργασία (συμπεριλαμβανομένων των Daşdöğen 2023 και Daşdöğen 2026 για εκπαιδευμένους τραγουδιστές) ήταν σε μεγάλο βαθμό σε φωνητικά υγιείς ενήλικες. Αυτή η μελέτη επεκτείνει σε άτομα με δυσφωνία, συμπεριλαμβανομένων διαγνωστικά ποικίλων περιπτώσεων.
• Άμεση απόδειξη ότι η φωνητικά αποκρινόμενη ανατροφοδότηση avatar μπορεί να προκαλέσει διαβαθμισμένη φωνητική κλιμάκωση χωρίς ρητή καθοδήγηση κλινικού. Αυτή είναι η πιο κοντινή δημοσιευμένη επίδειξη ενός μηχανισμού γενίκευσης και μεταφοράς για τη φωνητική θεραπεία: ο συμμετέχων προσαρμόζει τη φωνητική παραγωγή σε λειτουργικές περιβαλλοντικές απαιτήσεις, σε πραγματικό χρόνο, σε απάντηση σε μη λεκτική πλαισιακή ανατροφοδότηση.
• Συγκρίσιμο συμπεριφορικό πρότυπο μεταξύ φωνητικά υγιών και ομάδων με δυσφωνία για την ένταση, με περιορισμένη ευελιξία τονικού ύψους στην ομάδα με δυσφωνία. Το εύρημα της SPL υποδηλώνει ότι ο πλαισιακός μηχανισμός είναι ανέπαφος σε ομιλητές με φωνητική διαταραχή· το εύρημα της f0 είναι συμβατό με την ευρύτερη βιβλιογραφία της φωνής για τη μειωμένη φωνητική ευελιξία στη διαταραγμένη φώνηση.

Συγκεκριμένα για το Therapy withVR: αυτή η εργασία δοκίμασε το IVS, όχι το Therapy withVR. Η ευρύτερη αρχή που υποστηρίζει (διαβαθμισμένες οπτικο-χωρικές απαιτήσεις προκαλούν λειτουργική φωνητική προσαρμογή) είναι συμβατή με τη λογική που οι κλινικοί ήδη χρησιμοποιούν όταν επιλέγουν σκηνές στο Therapy withVR για φωνητική εργασία. Η άμεση ισοδυναμία του μηχανισμού πυροδότησης avatar-κατωφλίου μεταξύ πλατφορμών δεν έχει μελετηθεί.

Περιορισμοί

Το άρθρο είναι σαφές για το τι αυτή η δοκιμή τεκμηριώνει και τι όχι:

• Το μέγεθος δείγματος είναι μικρό (N = 17· άτυποι n = 7). Η ανάλυση υποομάδων ανά φωνητική διάγνωση δεν είναι εφικτή με αυτό το N.
• Μόνο μία μοναδική συνεδρία. Ο κεντρικός ισχυρισμός του θεωρητικού πλαισίου του IVS είναι η βελτιωμένη μεταφορά σε όλες τις συνεδρίες μάθησης, κάτι που αυτός ο σχεδιασμός δεν μπορεί να ελέγξει.
• Καμία συνθήκη ελέγχου ή σύγκρισης. Δεν υπάρχει έλεγχος βασισμένος στη φαντασία, ομάδα σύγκρισης εναλλακτικής θεραπείας ή σκέλος λίστας αναμονής. Τα παρατηρούμενα αποτελέσματα στα επίπεδα IVS είναι συμβατά με τη χειραγώγηση οπτικο-χωρικών στοιχείων αλλά δεν μπορούν να διαχωριστούν καθαρά από τα αποτελέσματα έκθεσης σε VR ή νεωτερισμού.
• Η baseline συλλέχθηκε εκτός του headset. Η σύγκριση Baseline-προς-Normal συγχέει την απαίτηση της εργασίας με την πράξη της τοποθέτησης του headset και της εισόδου σε εικονικό περιβάλλον για πρώτη φορά.
• Ο ήχος ήταν σιγασμένος. Ο ήχος περιβάλλοντος του εστιατορίου (που το IVS μπορεί να αναπαράγει) σιγάστηκε εσκεμμένα για να απομονωθούν τα οπτικο-χωρικά αποτελέσματα. Αυτή είναι μια καθαρή πειραματική επιλογή αλλά περιορίζει την οικολογική εγκυρότητα - τα πραγματικά εστιατόρια είναι θορυβώδη, και ο θόρυβος είναι γνωστός παράγοντας φωνητικής προσαρμογής.
• Ενιαίο εικονικό πλαίσιο. Δοκιμάστηκε μόνο μία σκηνή (το εστιατόριο). Ο κλινικός οδικός χάρτης απαιτεί να αποδειχθεί το ίδιο πρότυπο σε πολλαπλά πλαίσια (κλινική, αίθουσα διδασκαλίας, χώρος εργασίας, εμφάνιση, ιατρικά περιβάλλοντα).
• Το ερωτηματολόγιο σκοπιμότητας αναπτύχθηκε από τον συγγραφέα και δεν είναι επικυρωμένο. Η ανοικτή ανατροφοδότηση είναι πληροφοριακή, αλλά θα πρέπει να αντιμετωπίζεται ως περιγραφική και όχι ψυχομετρική.
• Σημαντική σύγκρουση συμφερόντων. Ο μοναδικός συγγραφέας είναι ο εφευρέτης του IVS, κάτοχος αμερικανικής αίτησης διπλώματος ευρεσιτεχνίας για την τεχνολογία και ο μόνος ερευνητής αυτής της μελέτης. Δεν υπάρχει εργασία αξιοπιστίας μεταξύ αξιολογητών, έλεγχος ποιότητας από συνεπιστήμονες ή ανεξάρτητη αναπαραγωγή.
• Όρια αλληλεπίδρασης avatar. Η ανατροφοδότηση των συμμετεχόντων επεσήμανε την έλλειψη λεκτικής και χειρονομιακής απόκρισης avatar ως περιορισμό στον αντιληπτό ρεαλισμό. Αυτή είναι μια προτεραιότητα ανάπτυξης για μελλοντικές εκδόσεις και επίσης μια σημαντική απειλή για την ερμηνεία των βαθμολογιών Εμβύθισης και Ρεαλισμού στην τρέχουσα πιλοτική.

Πώς εντάσσεται στο ευρύτερο Evidence Hub

Αυτή η μελέτη είναι μέρος μιας αυξανόμενης γραμμής εμβυθιστικής VR φωνητικής εργασίας με επίκεντρο το Mount Sinai / Daşdöğen και γειτονικά φωνητικά εργαστήρια:

• Daşdöğen et al. 2023 (Journal of Voice) - η θεμελιώδης εργασία ρεαλισμού-και-εγκυρότητας σε 31 φωνητικά υγιείς ενήλικες σε 18 συνθήκες αισθητηριακής εισόδου. Τεκμηρίωσε ότι οι οπτικές και οπτικοακουστικές ενδείξεις VR, και όχι μόνο οι ακουστικές, αλλάζουν τη φωνητική παραγωγή.
• Daşdöğen και Hitchcock 2026 (Journal of Voice) - μελέτη εκπαιδευμένων τραγουδιστών έναντι μη εκπαιδευμένων ομιλητών χρησιμοποιώντας το module Rooms του Therapy withVR. Έδειξε ότι οι ενδείξεις εικονικής απόστασης οδηγούν τη φωνητική κλιμάκωση διαφορετικά σε εκπαιδευμένες έναντι μη εκπαιδευμένων φωνές.
• Hoff 2026 (Journal of Voice) - σύντομος διαλογισμός βασισμένος σε VR πριν από τη φωνητική θεραπεία. Διαφορετικός μηχανισμός (ρύθμιση κατάστασης άγχους αντί άμεσης φωνητικής σήμανσης) αλλά η ίδια κατεύθυνση για την υιοθέτηση της VR σε φωνητικές κλινικές.
• Leyns et al. 2025 (Journal of Voice) - RCT VR-βασισμένης φωνητικής εκπαίδευσης επιβεβαίωσης φύλου χρησιμοποιώντας το Therapy withVR. Άμεσα συναφές δεδομένου ότι το IVS σύμφωνα με αναφορές αναπτύσσει φωνητικά modules επιβεβαίωσης φύλου σύμφωνα με τη θεσμική αναφορά του Mount Sinai.

Το ευρύτερο τοπίο: η φωνητική VR κινείται από το “η προσομοίωση φαίνεται αρκετά πραγματική για να αλλάξει τη συμπεριφορά” (σε μεγάλο βαθμό απαντημένο: ναι) προς το “η εξάσκηση στην προσομοίωση μεταφέρεται στην πραγματική χρήση φωνής” (σε μεγάλο βαθμό αναπάντητο, εν αναμονή διαχρονικής πολυσυνεδριακής εργασίας). Αυτή η μελέτη βρίσκεται στα όρια - η σκοπιμότητα και το άμεσο συμπεριφορικό σήμα έχουν τεκμηριωθεί για μια προσαρμοσμένη φωνητικά αποκρινόμενη πλατφόρμα· η μεταφορά είναι η επόμενη δοκιμή.

Σημείωση σχετικά με την πλατφόρμα Immersive VoiceSpace. Το IVS είναι διακριτό από το Therapy withVR. Είναι ένα σύστημα μίας σκηνής, αποκρινόμενο σε φωνητικό κατώφλι, που εφευρέθηκε και κατοχυρώθηκε με δίπλωμα ευρεσιτεχνίας από τον συγγραφέα της μελέτης. Η θεσμική αναφορά του Mount Sinai (Μάιος 2026, “Hypophonia”) περιγράφει συνεχιζόμενη εργασία που επεκτείνει το IVS σε άτομα με υποφωνία Parkinson, με προγραμματισμένα modules για φωνητική θηλυκοποίηση και επιπρόσθετα πλαίσια. Η κατάσταση IP του IVS δεν κατέστη δυνατό να επαληθευτεί ανεξάρτητα τη στιγμή αυτής της αναθεώρησης (βλέπε πεδίο funding/COI).