Nyelvtanaink azt sugallják, hogy nyelvünk grammatikája szabályalapú, ennek megfelelően pedig olyan elemekből épül fel, amelyek egyre kisebb, egyértelmű határokkal rendelkező alkotórészekre (szegmentumokra) bonthatók: a mondat közvetlen összetevői a szószerkezetek (szintagmák), ezek szókra (lexémákra) tagolhatók, a szavakat szóelemek (morfémák) alkotják, ezek pedig hangokból (fonémákból) épülnek fel. A legtöbb nyelvészeti irányzat ez utóbbiakat a legkisebb egységekként tartja számon, az újabb, formális hangtanokban azonban ezeket még további „elemi részecskéikre”, azaz megkülönböztető (disztinktív) jegyeikre bontják (például [ajakkerekítés], [zöngésség]).

A nyelvtan építőelemeinek klasszikus rendszere

A szokásos felfogás szerint egy egyszerűbb vagy összetettebb nyelvi jelben ezek a nyelvtani építőelemek anélkül is világosan megállapíthatók, hogy megvizsgálnánk az emberi beszédérzékelés jellegzetességeit, vagyis azt, hogy egyáltalán hogyan értjük meg a nyelvi megnyilatkozásokat. Így nem véletlen, hogy a klasszikus grammatikákban minden egyes nyelvi formához egyféle és állandó nyelvtani szerkezetet rendelnek, ami viszont nem tükrözheti a nyelv eredendő változatosságát és változását.

Ahhoz azonban, hogy a nyelv valódi természetével összhangban legyünk, éppen a fordított utat kell választanunk: először tanulmányoznunk kell az emberi beszédértés folyamatait, majd ennek tanulságaira alapozva kell képet alkotni arról, hogy milyen is lehet a nyelv nyelvtana. Egy ilyen vizsgálatnak pedig úgy célszerű nekilátnunk, hogy – a szokásos eljárással szemben – nem a mondatok és a mondatmegértés tanulmányozásával kezdünk, hanem a hangokéval és ezek észlelésével! Ez már csak azért is kézenfekvőnek látszik, mert a csecsemő az anyanyelvét legelőször mint egyszerű hangingerek sorozatát érzékeli, és ebből, erre a hangtani „alapra” ráépítve bontakozik ki fokozatosan nyelvének (azaz az egyén nyelvének) nyelvtana. Ha azonban a nyelv hangtani építőelemeit ilyen szempontból vesszük szemügyre, két dolog világosan látszik.

Egyrészt bármilyen tetszetős is az újabb, formális nyelvészeti irányzatok azon elképzelése, hogy – az atomok oszthatóságának mintájára – a hangtani elemzés alapegységeként a hangoknál kisebb megkülönböztető jegyek szolgáljanak (például az [ajakkerekítés] vagy a [zöngésség] megléte, illetve hiánya), ez az emberi nyelv vonatkozásában nemigen lehet tartható. A megkülönböztető jegyek ugyanis a hangoknak nem építőelemei, hanem jellemzői. Így ha – tudatosan vagy rejtetten – azt állítjuk, hogy a hang olyan szerkesztett egység, amely a megkülönböztető jegyekből van felépítve, olyan, „mintha azt mondanánk, hogy alma nincs is, mert ez csak egy rövidítés ahelyett, hogy [kerek] + [piros] + [ehető] + …, az pedig, amit mi almának mondunk, valójában ezekből van (sőt ezekből lett!) összeszerkesztve” (Szilágyi N. Sándor, 2004).

Másrészt az is egyértelmű, hogy a hangok kategorizációját sem úgy kell elképzelnünk, ahogy az a nyelvészetben általánosan jellemző. A nyelvtudományban ugyanis a hangok szintjén el szokták különíteni az elvont fonémát és a valóságosan, fizikailag is megjelenő beszédhangot. (Ez pontosan megfelel, hiszen abból származik, Ferdinand de Saussure-nek a nyelv (forma) és a beszéd (anyag) kettősségéről vallott nézeteinek.) Ezzel magyarázzák, hogy bár az egyes hangok a kiejtésben végtelen változatosságot mutatnak (minden egyes hang eltér egy kicsit a másiktól, attól függően, hogy ki, mikor, milyen hangkörnyezetben, milyen tempóval stb. mondja), ezeket a beszéd megértése során mégis viszonylag kis számú kategóriákba soroljuk, vagyis bizonyos hangokat fizikai különbségeik ellenére is egy fonéma változatainak tekintünk. Ez önmagában véve még nem mond ellent az emberi beszédfeldolgozás jellegzetességeinek, a probléma inkább abból adódik, ahogyan ezt a kettősséget a nyelvészetben értelmezni szokás. A fonémára ugyanis rendre valamiféle „platóni ideaként” tekintenek („az” a fonéma, „az” í fonéma stb.), mintha az önállóan, mindentől függetlenül (azaz abszolút módon) létezne. Így viszont az, hogy a beszédfolyamban megjelenő hangokat az emberek milyen fonémáknak feleltetik meg, olybá tűnik, mintha tulajdonképpen nem is a beszélőkön múlna, hanem eleve adott, és mindig egyértelműen, illetve egyformán megállapítható volna. Csakhogy ezt már a nyelvről való hétköznapi ismereteink is kétségessé teszik: a magyar anyanyelvűek közül például sokan úgy vélik, hogy a szegfű-ben – a szó helyesírása, valamint a szeg-gel való asszociálódása miatt – eredendően g van, míg mások – a hangsorhoz k-s írásformát rendelve, illetve a szót a hangalakilag és jelentéstanilag is hasonló székfű ~ szikfű szavakhoz kapcsolva – a kérdéses mássalhangzót eleve k-ként azonosítják.

A probléma megoldásában az segíthet, ha a fonéma–beszédhang kettőst a szokásos értelmezés helyett a prototípus-elméletnek megfelelően közelítjük meg. Ekkor ugyanis nemcsak a nyelv változásáról és változatosságáról tudunk számot adni, de összhangban vagyunk a kognitív pszichológiai kísérletek tanulságaival is. Ez esetben a fonémák minták, mégpedig olyan mentális hangminták, amelyek az egyén anyanyelvjárásának hangtani jellegzetességei alapján formálódnak meg, és alapul szolgálnak a fizikailag megjelenő beszédhangok azonosítására: valahogy úgy, mintha egy „perceptuális mágnes” lenne minden egyes fonémamező közepében, mely arra irányul, hogy a széleket behúzza, ezáltal rövidítse a távolságot, és megakadályozza, hogy e vonzástartományon belül kategorikus megkülönböztetéseket tegyünk.

Amikor pszichológusok géppel egy-egy hang akusztikai képét lépcsőzetesen egy másik hang irányába tolták el, kivétel nélkül azt tapasztalták, hogy a kísérleti személyek anyanyelvük jellegzetes fonémáinak megfelelően a fokozatos változásokat nem fokonkénti módosulásokként észlelték, hanem egyik hangkategóriáról a másikra való hirtelen váltásokként. Például a [ba] szótag [da] szótagra való fokozatos fizikai módosítását – ami számos közbenső ingert hoz létre – hirtelen váltásként észlelték. Ez arra mutat, hogy valahányszor egy hangot azonosítunk, ösztönösen azt keressük, hogy melyik prototípushoz áll a legközelebb. Ha ezt megtaláltuk, akkor számunkra a hallott hang azzal a mintafonémával válik azonossá, és annak halljuk még akkor is, ha fizikai szerkezetében nem pont ugyanolyan: mintha a beszédhangokat nem is a fülünkkel, hanem a memóriánkkal hallanánk. Mindez pedig lehetővé teszi, hogy az emberek között az eltérő és változó nyelvi tapasztalatoknak megfelelően különbségek alakuljanak ki, illetve hogy az egyén nyelvének egyes hangmintái idővel módosuljanak, netán már egy másik „fonémamágnes” vonzáskörzetébe tartozzanak.

A hangok prototípuselvű észlelésének feltevésével érthető meg az ún. McGurk-effektus is.

Megfigyelték, hogy ha a kísérleti személyeknek fülhallgatón például a [ba] szótagot úgy játsszák le, hogy közben egy képernyőn egy [ga]-t artikuláló embert látnak, a vizsgálat résztvevői nem érzékelik, hogy a hanganyag és a képkockák nem illenek össze, hanem úgy gondolják, hogy a (mássalhangzó képzéshelye szempontjából köztes) [da] szótagot hallották. Az alábbi videóval ezt az olvasó is kipróbálhatja. Hallgassa meg először anélkül, hogy a képet nézne, utána pedig úgy, hogy figyeli a beszélő arcát!

Ha azonban a hangok érzékelése prototípuselven történik, érdemes átgondolni, hogy ehhez illeszthető-e annak a merev kategóriákkal és szabályokkal dolgozó klasszikus nyelvtannak a képe, ami viszont a nyelv változását és változatosságát egyáltalán nem képes megjeleníteni: Fehér Krisztina következő előadásában a beszédpercepciónak az anyanyelv hangsorépítési mintáival való összefüggéseit – többek között csecsemőkkel végzett kísérletekre alapozva – veszi szemügyre azért, hogy a későbbiekben egy olyan grammatikát vázoljon fel, amely merev kategóriák helyett immár rugalmas nyelvtani prototípusokkal számol.