Listeners are sensitive to pitch distributional information in music (N. Oram & L. L. Cuddy, 1995; C. L. Krumhansl, J. Louhivuori, P.Toiviainen, T. Jäärvinen, & T. Eerola, 1999). However, it is uncertain whether frequency-based musical features are sufficient to explain the similarity judgments that underlie listeners' classification processes. A similarity rating experiment was designed to determine the effectiveness of these features in predicting listeners' similarity ratings. The material consisted of 15 melodies representing five folk music styles. A multiple regression analysis showed that the similarity of frequency-based musical properties could account for a moderate amount (40%%) of listeners' similarity ratings. A slightly better predictive rate (55%%) was achieved by using descriptive variables such as number of tones, rhythmic variability, and melodic predictability. The results suggest that both measures were able to capture some aspects of the structures that portray common salient dimensions to which listeners pay attention while categorizing melodies. Aikaisemmissa tutkimuksissa on osoitettu, ettää musiikin tilastollisilla tapahtumilla, kuten säävelten määäärillää ja tyypillisillää intervalleilla, on merkitystää, kun kuulijat muodostavat kääsityksiääään musiikin rakenteesta (N. Oram & L. L. Cuddy, 1995; C. L. Krumhansl, J. Louhivuori, P. Toiviainen, T. Jäärvinen, & T. Eerola, 1999). Nääiden piirteiden voidaan olettaa olevan täärkeitää myöös musiikin luokittelussa. Toistaiseksi ei kuitenkaan tiedetää, miten hyvin tilastollisilla piirteillää voitaisiin musiikin luokittelua selittääää. Täätää testattiin kuulijoille jäärjestetyn samanlaisuusarviointitehtäävään avulla. Tutkimuksen materiaali koostui 15 melodiasta, jotka edustivat viittää eri kansanmusiikkityyliää. Regressioanalyysi paljasti, ettää musiikin tilastollisten piirteiden samanlaisuus pystyi selittäämääään kohtuullisen määäärään (40%%) kuulijoiden antamista samanlaisuusarvioista. Hieman parempi selitysaste (55%%) saavutettiin kuvaavilla muuttujilla, joita olivat melodian laajuus ja ennakoitavuus sekää rytmin vaihtelevuus. Nääin ollen tulokset antavat aiheen olettaa, ettää musiikin tilastolliset piirteet ja kuvailevat muuttujat vaikuttavat kuulijoiden luokittelupäääätööksiin.

This study of Finnish spiritual folk hymns combined three approaches to understanding melodic expectation. The first approach was a statistical style analysis of a representative corpus of 18 hymns, which determined the relative frequencies of tone onsets and two- and three-tone transitions. The second approach was a behavioral experiment in which listeners, either familiar (experts) or unfamiliar (nonexperts) with the hymns, made judgments about melodic continuations. The third approach simulated melodic expectation with neural network models of the self-organizing map (SOM) type (Kohonen, 1997). One model was trained on a corpus of Finnish folk songs and Lutheran hymns (Finnish SOM), while another was trained with the hymn contexts used in the experiment with the correct continuation tone (Hymn SOM). The three approaches converged on the following conclusions: (1) Listeners appear to be sensitive to the distributions of tones and tone transitions in music, (2) The nonexperts' responses more strongly reflected the general distribution of tones, whereas the experts' responses more strongly reflected the tone transitions and the correct continuations, (3) The SOMs produced results similar to listeners and also appeared sensitive to the distributions of tones and tone transitions, (4) The Hymn SOM correlated more strongly with the experts' judgments than the Finnish SOM, and (5) the principles of the implication-realization model (Narmour, 1990) were weighted similarly by the behavioral data and the Hymn SOM. /// Tässä suomalaisia hengellisiä kansansävelmiä käsittelevässä tutkimuksessa pyrittiin selvittämään melodisia odotuksia kolmen tutkimusmenetelmän avulla. Ensimmäinen menetelmä oli kyseistä tyyliä edustavien 18 sävelmän tilastollinen analyysi, jossa määritelteltiin sävelkorkeuksien sekä kahden ja kolmen sävelen siirtymien tilastolliset jakaumat. Toinen menetelmä oli behavioraalinen koe, jossa kuulijat arvioivat sävelmien jatkoja. Kuulijat jakaantuivat kahteen ryhmään: sävelmät tunteviin (asiantuntijoihin) ja sävelmiä tuntemattomiin (ei-asiantuntijoihin). Kolmannessa menetelmässä simuloitiin melodisia odotuksia itsejärjestäytyvään karttaan (Kohonen, 1997) perustuvalla keinotekoisella hermoverkkomallilla. Ensimmäiselle mallille opetettiin joukko suomalaisia kansanlauluja ja luterilaisia virsiä (suomalainen verkko), toiselle kokeessa käytettyjä hengellisiä kansansävelmiä (hengellinen verkko). Käytetyt menetelmät tuottivat yhteneviä tuloksia ja antoivat aihetta seuraaviin johtopäätöksiin: (1) kuulijat näyttävät olevan vastaanottavaisia musiikin säveljakaumille ja sävelsiirtymille, (2) ei-asiantuntijoiden vastaukset noudattivat enemmän sävelten yleistä jakaumaa, kun taas asiantuntijoiden vastaukset heijastivat enemmän sävelsiirtymiä ja sävelmien oikeita jatkoja, (3) hermoverkot tuottivat tuloksia, jotka olivat samankaltaisia kuulijoiden arvioiden kanssa ja jotka noudattivat sävelten ja sävelsiirtymien jakaumia, (4) hengellisen verkon tulokset korreloivat suomalaisen verkon tuloksia voimakkaammin asiantuntijoiden arvioiden kanssa, ja (5) behavioraaliset tulokset ja hengellinen verkko painottavat implikaatio-realisaatio-mallin (Narmour, 1990) periaatteita samalla tavalla.

The present study compared the degree of similarity of timbre representations as observed with brain recordings, behavioral studies, and computer simulations. To this end, the electrical brain activity of subjects was recorded while they were repetitively presented with five sounds differing in timbre. Subjects read simultaneously so that their attention was not focused on the sounds. The brain activity was quantified in terms of a change-specific mismatch negativity component. Thereafter, the subjects were asked to judge the similarity of all pairs along a five-step scale. A computer simulation was made by first training a Kohonen self-organizing map with a large set of instrumental sounds. The map was then tested with the experimental stimuli, and the distance between the most active artificial neurons was measured. The results of these methods were highly similar, suggesting that timbre representations reflected in behavioral measures correspond to neural activity, both as measured directly and as simulated in self-organizing neural network models.