Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Лексическое решение Задача для изучения Письменное распознавание слов у взрослых с и без слабоумия или мягкий когнитивных нарушений

Published: June 25, 2019 doi: 10.3791/59753
Automatic Translation
1, 2,3, 4, 5,6
1Helsinki Collegium for Advanced Studies, University of Helsinki, 2University of California, Riverside, 3California State University, East Bay, 4Hunter College, City University of New York, 5Feinberg School of Medicine, Northwestern University, 6Shirley Ryan AbilityLab

Summary

В этой статье описывается, как реализовать простой лексический эксперимент решения для оценки письменного распознавания слов в неврологически здоровых участников и у людей с деменцией и когнитивным снижением. Мы также предоставляем подробное описание анализа времени реакции с использованием анализа основных компонентов (PCA) и моделирования смешанных эффектов.

Abstract

Пожилые люди медленнее при распознавании визуальных объектов, чем молодые взрослые. То же самое верно и для признания того, что строка буквявляется реальное слово. Люди с болезнью Альцгеймера (AD) или мягкий когнитивных нарушений (MCI) демонстрируют еще более длительные ответы в письменном распознавании слов, чем пожилые элементы управления. Несмотря на общую тенденцию к более медленному распознаванию при старении и нейрокогнитивных расстройствах, определенные характеристики слов влияют на скорость распознавания слов независимо от возраста или нейропатологии (например, частота использования слова). Мы представляем здесь протокол для изучения влияния лексических характеристик на время реакции распознавания слов в простом лексическом эксперименте решения, проводимом для молодых и пожилых людей и людей с MCI или AD. В этом эксперименте участникам предлагается как можно быстрее и точнее решить, является ли данная строка буквы фактическим словом или нет. Мы также описываем модели смешанных эффектов и анализ основных компонентов, которые могут быть использованы для определения влияния различных типов лексических переменных или индивидуальных характеристик участников на скорость распознавания слов.

Introduction

Слова хранятся в ментальном лексиконе в тесно взаимосвязанной сети. Связи между словами могут отражать общие свойства, такие как семантическое сходство (например, собака и кошка),образуют сходство (собака и туман),или частое совместное появление в общем использовании языка (например, собака и поводок). Когнитивные теории языка, такиекак теория 1, основанная на использовании, утверждают, что каждая встреча слова пользователя языка влияет на умственное представление слова. Согласно Exemplar Theory, представление слова состоит из многих образцов, которые построены из отдельных жетонов использования языка и которые представляют изменчивость, которая существует для данной категории. Частота использования2 влияет на представления в памяти, способствуя силе образца1.

Скорость распознавания слов может выявить характеристики умственного лексикона. Широко используемая экспериментальная парадигма для измерения скорости распознавания слов является лексической задачей принятия решений. В этой задаче участникам представлены строки букв на мониторе, по одному за раз. Им поручено как можно быстрее решить, является ли строка буквы на экране реальным словом или нет, нажав соответствующую кнопку.

Изучая время реакции на реальные слова, исследователи могут решить ряд важных вопросов об обработке языка. Например, определение того, какие факторы быстрее делают распознавание, может проверить гипотезы о структуре ментального лексикона и выявить его архитектуру. Кроме того, сравнение производительности между различными группами участников может помочь нам понять влияние различных типов языкового опыта, или, в случае старения или нейродегенеративных заболеваний (например, болезнь Альцгеймера), роль когнитивных Снижение.

Некоторые факторы (например, частота использования) оказывают большее влияние на распознавание слов, чем другие факторы (например, длина слова). С возрастом, как люди признают письменные слова могут измениться3,4. Молодые взрослые, как правило, в значительной степени полагаются на семантические (смысл основе) аспекты слова, такие как, сколько соединений (например, бульдог) или производные слова (например, собачка) доля аспекты как формы и смысл с целевым словом (в данном случае, собака). Распознавание слов для пожилых людей, как представляется, в большей степени зависит от форм-аспектов, таких как частота, что две последующие буквы совместно происходят в языке (например, буква комбинации st происходит чаще в английских словах, чем комбинация sk).

Чтобы определить факторы, влияющие на скорость распознавания слов в разных группах, исследователь может манипулировать определенными переменными в наборе стимулов, а затем проверить силу этих переменных, чтобы предсказать скорость распознавания слов. Например, чтобы проверить, является ли распознавание слов обусловлено семантическими или форм-факторами, набор стимулов должен включать переменные, которые отражают степень связи слова с его семантическими соседями в ментальном лексиконе или его связь с другими словами которые разделяют часть его формы.

Этот метод был использован в текущем исследовании, чтобы исследовать ли скорость распознавания слов зависит от различных факторов, в молодых и пожилых людей и у людей с болезнью Альцгеймера (AD) или мягкий когнитивных нарушений (MCI)3. Описанный здесь метод основан на визуальном распознавании слов, но может быть адаптирован к слуховой модальности. Тем не менее, некоторые переменные, которые являются значительными предикторами времени реакции в типичном визуальном лексическом эксперименте, могут не предсказать пропонизы реакции в слуховом лексическом решении или иметь обратный эффект. Например, фонологический район имеет обратный эффект через эти два условия5: слова с большими фонологическими районами демонстрируют стимуляторическое влияние на визуальное распознавание слов, но приводят к более длительному ответу в слуховое лексическое решение6.

Трудности поиска слов у пожилых людей 7, как правило, объясняются трудностями при доступе к фонологической форме слова, а не разбивка семантического представления8. Тем не менее, исследования AD в первую очередь сосредоточены на семантических снижение9,10,11,12,13,14. Важно распутать, как семантические и орфографические факторы влияют на распознавание письменных слов в старении с когнитивным снижением и без него. Влияние форм-факторов более выражено в более старых, чем у молодых людей, и оно остается значительным у людей с MCI или AD3. Таким образом, эта методология может помочь нам раскрыть особенности психического лексикона в разных популяциях и определить изменения в организации лексикона с возрастом и невропатологией. Одна из проблем при тестировании пациентов с невропатологией является то, что они могут испытывать трудности с доступом к знаниям, связанным с задачами. Тем не менее, лексическое решение задача простая задача без нагрузки на рабочую память или другие сложные когнитивные навыки, что многие пациенты проявляют проблемы с. Он был признан целесообразным для AD и MCI населения.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Протокол соответствует руководящим принципам Комитета по этике больничного района Северного Саво (IRB00006251).

1. Скрининг участников

  1. Набирать молодых и пожилых людей, которые имеют нормальное или исправленное нормальное зрение и являются носителями языка, проверенного, если исследование не рассматривает конкретные вопросы исследования, касающиеся приобретения второго языка.
  2. Для здоровых контрольных групп, исключить участников, которые имеют историю неврологических или психических расстройств.
  3. Для клинических групп, набирать лиц, которые были диагностированы с болезнью Альцгеймера15 или легкие когнитивные нарушения16,17. Набирать только лиц, которые могут дать осознанное согласие, в соответствии с решением врача. Для точного сравнения сопой возрастной диапазон и среднее количество клинических групп с возрастными группами здоровых участников пожилого возраста.
  4. Измерьте тяжесть деменции, например, используя шкалу рейтинга клинической деменции18 (CDR, 0'no dementia, 0.5'very mild, 1'mild, 2'moderate, 3'severe). Исключить пациентов с тяжелой деменцией, потому что задача может быть слишком сложной для них. Не включайте участников, которые, кажется, не могут следовать инструкциям, несмотря на их оценку тяжести.

2. Стимул строительства

  1. Выберите слово стимулы для решения конкретных вопросов исследования, например, будь то семантические или орфографические / фонологические переменные имеют более сильное влияние на распознавание слов19 в различных популяциях.
  2. Вычислите из корпуса20 или извлеките из базы данных21 переменные, отражающие семантические, фонологические и орфографические характеристики стимулов, чтобы они могли быть использованы либо как теоретически мотивированные предикторы, объясняющие слово время реакции распознавания или как контрольные переменные. Кроме того, используйте пол участников, возраст и годы обучения в качестве пояснительных или контрольных переменных.
  3. В дополнение к реальным словам, построить набор соответствующих псевдо-слов. Псевдослова напоминают реальные слова в том смысле, что они соответствуют языковым нормам размещения определенных букв в определенных словах позиций (фонотактика). Для того, чтобы контролировать фонотактику, создавайте псевдослова, например, путем случайного рекомбинации первых слогов из некоторых слов со вторыми слогами из других слов. Удалите все элементы, которые оказались производить реальное слово через эту рекомбинацию и все элементы, которые нарушают фонотактику языка.
  4. Сопойте псевдослова с целевыми словами с точки зрения длины слова в письмах и частоты биграма, что является средним числом раз, что все комбинации двух последующих букв происходят в текстовом корпусе. Эти переменные, как было показано, влияют на скорость распознавания.
    ПРИМЕЧАНИЕ: Манипулирование соотношением псевдослов (например, количество реальных слов по отношению к количеству псевдослов) может привести к различным результатам, при этом ответы на менее вероятные стимулы медленнее и менее точные22.
  5. Добавьте набор наполнителей из реального слова, чтобы уменьшить продолжительность следующего стимула следующего стимула (например, определенного инфлективного класса). Выберите их, например, из различных категорий слов (например, искрометные классы), чем те, которые используются для построения стимулов в соответствии с характеристиками интереса.

3. Экспериментальный дизайн

  1. Настоящее письмо строки горизонтально, по одному, подчинив визуальный угол около 5 ".
  2. Начните эксперимент с практического занятия, которое включает в себя небольшое количество испытаний, с одним словом, представленным в суде (например, 15 слов и 15 псевдослов, не включенных в фактический эксперимент). Это необходимо для ознакомления участника с задачей и кнопками ответа. Если участник не отвечает точно (кнопка «да» для реальных слов и кнопка «нет» для псевдослов) во время практических испытаний, предоставьте обратную связь и переодейте практический сеанс.
  3. Разделите эксперимент на блоки и дайте короткие перерывы после практического сеанса и между блоками. Эти перерывы позволяют участникам отдохнуть глаза и снизит усталость.
  4. Начните каждый новый блок с несколькими элементами наполнителя, которые не будут включены в анализ (например, общие существительные, такие как собака, сестра,год), потому что первые несколько испытаний блока иногда игнорируются участниками с MCI или AD.
  5. Представляйте экспериментальные элементы в случайном порядке для каждого участника.
  6. Начните каждое испытание с отметки фиксации (например, знак q), появляющийся в центре экрана на 500 мс, а затем пустой экран для фиксированного (например, 500 мс) или переменного количества времени (например, 500-800 мс).
  7. Сразу после пустого экрана, представить строку буквы (слово или псевдо-слово) для 1500 мс или до тех пор, пока участник отвечает.
  8. После ответа или после 1500 мс с самого начала слова (в зависимости от того, приходит первым), следовать снова с пустым экраном до 3000 мс прошло с самого начала судебного разбирательства.
  9. Повторяйте эту последовательность до тех пор, пока не будут представлены все элементы эксперимента.
    ПРИМЕЧАНИЕ: Времена для задержки между стимулами служат в качестве примера. Изменение их может повлиять на структуру результатов.

4. Экспериментальная процедура

  1. Поместите участника перед монитором компьютера на расстоянии около 80 см в обычно освещенной комнате.
  2. Поручить участнику как можно быстрее и точнее решить, является ли строка буквы на экране реальным словом или нет, нажав одну из двух соответствующих кнопок своей доминирующей рукой (например, указательный палец для реальных слов и средний палец для псевдо-слов) или с помощью указательного пальца каждой руки.
    ПРИМЕЧАНИЕ: Участники пытаются оптимизировать свою производительность в соответствии с инструкциями. Таким образом, на их ответы будет влиять подчеркивая скорость над точностью или наоборот23.

5. Анализ данных с помощью модели смешанных эффектов в R

ПРИМЕЧАНИЕ: Для проведения анализа можно использовать множество различных статистических программ. В этом разделе описаны шаги для анализа данных в R24.

  1. Получите время реакции (RT), измеренное в миллисекундах для каждого испытания из выходного файла презентационной программы (например, программное обеспечение E-Studio).
  2. Установите пакеты lme428 и lmerTest29. Прикрепите пакеты с библиотекой функций или требуют.
  3. Импортируйте данные в R, используя, например, функцию read.table.
  4. Проверьте необходимость преобразования, например, с функцией boxcox из пакета MASS 25, так как распределение данных RT, как правило, сильно перекос.
    Библиотека (MASS)
    (gt; boxcox(RT - Expnanatory-variable, данные и yourdata)
    ПРИМЕЧАНИЕ: График, производимый функцией boxcox, показывает 95% доверительный интервал для параметра преобразования boxcox. В зависимости от значений лямбды, расположенных в пределах этого интервала, может быть выбрана необходимая трансформация, например, q, No 1 (обратная трансформация), No0 (логарифмическая трансформация), No1/2 (преобразование квадратного корня) и No1/3 (преобразование корней куба).
    1. Преобразование значений RT с помощью перевернутых преобразованных РТ (например, -1000/RT) или бинарных логарифмов РТ (например, log2(RT)), так как эти преобразования, как правило, обеспечивают более нормальное распределение времени реакции в лексических экспериментах, чем необработанные РТ, чем необработанные РТ, чем необработанные РТ 26.
    2. Кроме того, используйте статистические методы, которые не полагаются на нормальные распределения и соответствуют надежные линейные модели смешанных эффектов и дают оценки, на которые выбросы или другие источники загрязнения имеют мало влияния27.
  5. Поскольку анализ времени реакции обычно проводится на точных ответах, исключите исследования, в которых ответ участников был неверным (ответ «нет» на реальные слова), а также упущения.
    1. Кроме того, исключить ответы на псевдо-слов и наполнителей, если Есть конкретные гипотезы о них.
    2. Исключите испытания с временем отклика быстрее, чем 300 мс, потому что они обычно указывают на то, что участник слишком поздно реагировал на предыдущий стимул или что он или она случайно нажали кнопку ответа перед чтением стимула.
  6. Создайте базовую линейную модель смешанных эффектов, которая определяет RT как меру результата и субъект, пункт, и Испытание как случайные эффекты. Обратите внимание, что переменные, значения которых случайным образом отбираются из большего набора (населения) значений, включаются в качестве случайных эффектов и переменных с небольшим количеством уровней или для которых все уровни включены в данные, являются фиксированными эффектами. Добавить случайные эффекты в форме (1 Тема) для того, чтобы оценить случайные перехваты для каждого из случайных эффектов.
    г-gt; g1 и lmer (RT ) (1 Тема) Пункт) Испытание), данные и ваши данные)
    Резюме (g1)
  7. Добавьте пояснительные переменные в теоретически мотивированном порядке. Например, добавить базовую частоту слов в качестве фиксированного эффекта. Некоторые переменные, такие как базовая или частота поверхности, имеют дистрибутивы ципфийского, поэтому вставьте их в модель с преобразованием, которое приводит к более гауссийской форме распределения, например, логарифмической трансформации.
    гgt; g2 и lmer (RT - журнал (BaseFrequency ) Тема) Пункт) Испытание), данные и ваши данные)
    Резюме (g2)
  8. Проверьте с функцией Anova, если добавление каждого предиктора (например, BaseFrequency)значительно улучшило прогностический мощность модели по сравнению с моделью без предиктора.
    Анова (g1, g2)
    1. Если нет существенной разницы в припадке новой модели по сравнению с более простой моделью, отдавайте предпочтение самой простой модели с меньшим количеством предикторов. Кроме того, проверьте информационный критерий Akaike (AIC)30 каждой модели. АИК является мерой того, насколько хорошо статистические модели соответствуют набору данных в соответствии с максимальной вероятностью. Более низкие значения указывают на более подходящий вариант для данных31.
      АиС (g1); AIC (g2)
  9. Повторите шаги 5.7. и 5,8. добавляя другие пояснительные переменные, например, некоторые из тех, которые представлены в таблице1, один за другим в теоретически мотивированном порядке и сохраняя только те, которые значительно улучшают прогностический устремленность модели. Если была использована асинхронность переменного стимула, включите ее в качестве переменной с фиксированным эффектом в модели.
  10. Проверьте теоретически мотивированные взаимодействия между предсказателями. Например, добавить термин взаимодействия журнал базовой частоты по возрасту.
    Гтот; g3 и lmer (RT - журнал (BaseFrequency ) - Возраст - журнал (BaseFrequency ) : Возраст (1) : Возраст (1 ) Тема) Пункт) Испытание), данные и ваши данные)
    ПРИМЕЧАНИЕ: Возможно, что предиктор имеет важное значение как термин взаимодействия с другой переменной, но не значителен в качестве основного предиктора. В этом случае не удаляйте этот предиктор из модели (включите его также в качестве основного эффекта).
  11. Добавить по-участник случайных склонов32 для предсказателей, включив "1" до переменного имени, а затем " Тема", например, (1 журнал(BaseFrequency No1) Тема),потому что время отклика участников может быть затронуто лексическими характеристиками слов по-разному.
    ПРИМЕЧАНИЕ: Если Есть много непрерывных предикторов, что позволяет им всем иметь случайные склоны нереально, потому что случайные модели склона требуют больших объемов данных для точной оценки отклонений и ковариантнок33,34. В случае, если максимальная модель не сходится (другими словами, успешно вычислить), упростить модель33. Кроме того, реализуем байесовские версии многоуровневого моделирования35.
  12. Выполнить анализ для каждой группы участников отдельно. Кроме того, запустите анализ всех данных, с группой в качестве предиктора фиксированного эффекта, а затем проверьте взаимодействие группы значительными предикторами.
    Гот; g4 й lmer (RT - журнал (BaseFrequency ) - Возраст - журнал (BaseFrequency ) 1) : Возраст - Группа -"Группа" (BaseFrequency) : Группа No (1 журнал (BaseFrequency) 1) Тема) Пункт) Испытание), данные и ваши данные)
  13. Для того, чтобы устранить влияние возможных выбросов, исключить точки данных с абсолютными стандартизированными остатками, превышающими, например, 2,5 стандартных отклонений26,и переуместите модель с новыми данными(yourdata2).
    (rugt; yourdata2) - yourdata (масштаб (масштаб (resid(g4)))
    Гтхот; g5 й lmer (RT - журнал (BaseFrequency ) - Возраст - журнал (BaseFrequency ) - 1) : Возраст - Группа -" -" (BaseFrequency) : Группа No (1 журнал (BaseFrequency ) Тема) Пункт) Испытание), данные и yourdata2)
    ПРИМЕЧАНИЕ: Не все экстремальные точки данных вредны для модели - только те, которые имеют чрезмерное влияние на модель.
  14. В случае исследовательского (управляемого данными) анализа используйте шаг за шагом регрессию назад: включите все переменные в первоначальный анализ, а затем удалите незначительные переменные из модели пошаговым образом. Кроме того, используйте автоматическую процедуру устранения незначительных предсказателей с функцией шага, предоставляемой пакетом lmerTest29.
    Шаг (g4)

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

В таблице 1 показан список переменных, полученных из трех различных источников (корпус, словарь и экспериментальное тестирование тестовых элементов), которые включены в анализ в качестве предикторов с фиксированным эффектом. Многие из этих переменных, как сообщалось ранее, влияют на скорость распознавания слов.

Корпус:
Базовая частота количество раз, когда слово появляется в корпусе во всех его различных формах (например, ребенок и дети)
Частота Биграма среднее количество раз, что все комбинации двух последующих букв происходят в корпусе
Размер семьи Морфологический количество производных и сложных слов, которые разделяют морфема с существитьем
Морфологические частоты семьи подытожил базовую частоту всех морфологических членов семьи
Псевдоморфологический размер семьи включает в себя не только "истинных" морфологических членов семьи, но и слова, которые имитируют морфологические члены семьи в их орфографической форме, являются ли они фактическими морфемы, и, таким образом, представляет собой орфографическое перекрытие, но не обязательно семантическое перекрытие
Псевдоморфологическая семейная частота подытожил базовую частоту всех псевдоморфологических членов семьи
Частота поверхности количество раз, когда слово появляется в корпусе в точно такой же форме (например, ребенок).
Частота триграммы среднее количество раз, что все комбинации трех последующих букв происходит в корпусе
Словарь:
Хэмминг расстояние одного количество слов одинаковой длины, но отличается только в любой одной букве36
Длина количество букв
Плотность ортографического района количество слов с одинаковой длиной, но отличается только в первоначальном письме37,38
Пилотное тестирование: Шестнадцать участников указали по шестибалльной шкале (от 0 до 5) свои оценки по каждому из целевых слов по следующим параметрам.
Как правильное имя как часто слово рассматривается как правильное имя (например, как фамилия, как Бейкер)39
Бетонность прямота, с которой слова относятся к конкретным лицам40
Рейтинг знакомств как знакомо слово
Изображение легкость и скорость, с которой слова вызывают психические образы40

Таблица 1. Переменные, включенные в анализ смешанных эффектов в качестве предикторов с фиксированным эффектом, полученные из трех различных источников (корпус, словарь и экспериментальное тестирование тестовых элементов).

Число пояснительных переменных может быть меньше или больше в зависимости от вопросов исследования и наличия переменных из баз данных, словарей или corpora. Однако, включая большое количество лексических особенностей в качестве предикторов может привести к осложнениям в виде коллинерности между предикторами, когда предсказатели коррелируют друг с другом и, таким образом, оказывают аналогичное воздействие на измерение результата. Например, конкретность и имиджевость слов могут быть тесно взаимосвязаны. Предположение в любом линейном регрессионном анализе состоит в том, что переменные предсказателя независимы друг от друга. Однако по мере добавления в модель большего числа переменных возрастает риск того, что некоторые переменные не будут независимыми друг от друга. Чем выше корреляция между переменными, тем более вредной может быть эта коллинеарность для модели41. Потенциальным следствием коллинеарности является то, что уровень значимости некоторых предсказателей может быть ложным.

Чтобы избежать эффекта коллинеарности между предикторами, количество предикторов должно быть уменьшено. Если два предсказателя показывают коллинеарность, в модель должен быть включен только один из них. Однако, если более двух предикторов показывают коллинерность, то исключение всех, кроме одного, приведет к потере дисперсии. С одной стороны, исследователь может уменьшить количество пояснительных переменных уже в экспериментальном дизайне априори, оставляя только те, которые являются гипотезы инициативе (теоретически мотивированы) и которые позволяют исследователю проверить гипотезы между различных групп населения. С другой стороны, иногда нет существующей теории, и, таким образом, разумно использовать основной компонентный анализ (PCA)41 для уменьшения числа предикторов путем объединения предикторов, которые имеют аналогичные эффекты в компоненты. В этом анализе пространство предсказателя было ортогонализировано, а основные компоненты нового пространства использовались в качестве предикторов (следующие шаги, описанные здесь41 на страницах 118-126). Одним из недостатков использования PCA является то, что иногда компоненты затрудняют распутывание последствий нескольких предикторов; все они могут возникнуть при сильной нагрузке на один и тот же основной компонент.

Мы превратили все лексические предсказатели в пять основных компонентов, чтобы изучить, как скорость распознавания слов может быть различной для молодых людей и пожилых людей. Тем не менее, только два из них были значительными в данных молодых людей(Таблица 3): PC1 и PC4. Три основных компонента (ПК) были значительными предикторов в модели для пожилых элементов управления(таблица 4), MCI (таблица5) и лиц с АД (Таблица6).

PC2
Биграм фрек. -0.390
Хэмминг расстояние одного -0.350
Окончательный триграмма freq. -0.330
Плотность соседства -0.320
Длина -0.226
Первоначальный триграмма freq. -0.224
Псевдо-семейный размер (окончательный) -0.124
Псевдо-семья freq.(финал) -0.052
Семейная фрек. (соединения) -0.042
Размер семьи (соединения) -0.039
Семейная фрек. (производные слова) -0.036
Размер семьи (производные слова) -0.034
Поверхностный freq. -0.023
Базовый фрек. -0.008
Псевдосемейный размер (начальный) 0,070
Рейтинг знакомств 0,093
Как правильное имя 0,102
Псевдо-семейный freq. (первоначальный) 0,113
Бетонность 0,275
Изображение 0,296
Псевдосемейный размер (внутренний) 0,296
Псевдо-семейный freq. (внутренний) 0,316

Таблица 2. Матрица вращения для PC2. Нагрузки – это степень, в которой каждая переменная вносит свой вклад в компонент. Эта таблица была изменена с разрешения Cortex3.

В таблице 2 представлены лексические переменные с их нагрузками на PC2. Самыми сильными положительными нагрузками PC2 были псевдосемейный размер и частота перекрытия во внутреннем положении. Самые сильные отрицательные нагрузки были bigram частота, Hamming расстояние одного, окончательная частота триграммы, и орфографические плотности окрестности. Поскольку все эти переменные в основном основаны на форме, а не на основе смысла, PC2 интерпретируется как отражающий влияние форм-аспектов слова на скорость распознавания слов.

В таблице 3 показаны результаты анализа смешанных эффектов для молодых людей (31 участник). Поскольку PC2 не был значительным предиктором времени отклика молодых взрослых (см. таблицу3), это, кажется, указывает на то, что эти переменные на основе форм имеют меньшее влияние на время реакции молодых людей по сравнению с пожилыми людними, в том числе с АД или MCI .

Фиксированные эффекты Оценки Std.Ошибка t-значение р-значение
(Перехват) -1,31 0,05 -26.36 Злт;0,001
Алломорфы -0.034 0,015 -2.3 0,024
PC1 -0.021 0,004 -5.179 Злт;0,001
PC4 -0.042 0,008 -5.224 Злт;0,001
Случайные эффекты
Группы Имя Отклонение Std.Dev. Корр
Элемента (Перехват) 0,009 0,095
Тема (Перехват) 0,032 0,179
PC1 4.765e-05 0,007 0,08
Остаточного 0,005 0,235
Число obs. 2862; Пункт, 99; Тема, 31

Таблица 3. Расчетные коэффициенты, стандартные ошибки и значения т- и p для смешанных моделей, приспособленных к поздним ответам, вызывают реальные слова для молодых взрослых. Эта таблица была изменена с разрешения Cortex3.

Оценка переменной с фиксированным эффектом может быть истолкована как сумма, на которую зависимая переменная (RT) увеличивается или уменьшается, если значение этого фиксированного эффекта изменяется. Если Оценка отрицательная, это означает, что переменная отрицательно коррелирует со временем реакции (чем выше переменная, тем меньше (быстрее) время реакции). Значение t, как правило, должно быть меньше -2 или больше, чем 2 для того, чтобы предиктор был значительным.

Таблица 4, Таблица 5и таблица 6 показывают результаты анализа смешанных эффектов для пожилых людей (17 участников), лиц с MCI (24 участников), а также лиц с АД (21 участников).

Возникло одно интересное различие между тремя пожилыми группами: образование значительно предсказало скорость распознавания слов у пожилых людей(таблица4; оценка образования является отрицательной, а это означает, что больше лет обучения было связанные с более быстрым временем реакции) и лиц с MCI(Таблица5), но не у людей с АД (Таблица6; Образование было исключено из модели, поскольку оно не было значительным предиктором), хотя не было очевидной разницы в изменчивости лет образования между этими группами (AD: средний 10,8 лет, SD 4.2, диапазон 5-19; MCI: средний 10,4 лет, SD 3.5, диапазон 6-17; пожилой элемент управления: в среднем 13,7 лет, SD 3.7, диапазон 8-20).

Фиксированные эффекты Оценки Std.Ошибка t-значение р-значение
(Перехват) -0,72 0,157 -4.574 Злт;0,001
Алломорфы -0.022 0,01 -2.14 0,035
PC1 -0.011 0,003 -4.122 Злт;0,001
PC2 -0.011 0,005 -2.223 0,029
PC4 -0.02 0,006 -3.687 Злт;0,001
Образования -0.024 0,011 -2.237 0,041
Случайные эффекты
Группы Имя Отклонение Std.Dev.
Элемента (Перехват) 0,003 0,057
Тема (Перехват) 0,026 0,16
Остаточного 0,033 0,181
Число obs. 1595; Пункт, 99; Тема, 17

Таблица 4. Расчетные коэффициенты, стандартные ошибки и значения т- и p для смешанных моделей, приспособленных к поздним ответам, вызывают реальные слова для управления пожилыми людьми. Эта таблица была изменена с разрешения Cortex3.

Фиксированные эффекты Оценки Std.Ошибка t-значение р-значение
(Перехват) -0.562 0.114 -4.922 Злт;0,001
PC1 -0.009 0,003 -3.218 0,002
PC2 -0.013 0,005 -2.643 0,01
PC4 -0.018 0,006 -3.078 0,003
Образования -0.039 0,01 -3.708 0,001
Случайные эффекты
Группы Имя Отклонение Std.Dev.
Элемента (Перехват) 0,003 0,056
Тема (Перехват) 0,03 0,174
Остаточного 0,061 0,248
Число obs. 2227; Пункт, 99; Тема, 24

Таблица 5. Расчетные коэффициенты, стандартные ошибки, а также т-и-p-значения для смешанных моделей, приспособленных к ответу, вызвали реальные слова для людей с MCI. Эта таблица была изменена с разрешения Cortex3.

Фиксированные эффекты Оценки Std.Ошибка t-значение р-значение
(Перехват) -0,876 0,051 -17.017 Злт;0,001
Алломорфы -0.018 0,009 -2.008 0,048
PC1 -0.011 0,003 -4.097 Злт;0,001
PC2 -0.011 0,004 -2.718 0,008
PC4 -0.018 0,005 -3.751 Злт;0,001
Случайные эффекты
Группы Имя Отклонение Std.Dev. Корр
Суда (Перехват) 0,001 0,034
Элемента (Перехват) 0,002 0,049
Тема (Перехват) 0,045 0,212
PC1 4.138e-05 0,006 0,83
Остаточного 0,026 0,162
Число obs. 1879; Пункт, 99; Тема, 21

Таблица 6. Расчетные коэффициенты, стандартные ошибки и значения т- и p для смешанных моделей, приспособленных к поздним ответам, вызывают реальные слова для лиц с АД. Эта таблица была изменена с разрешения Cortex3.

В исследовании, о котором сообщалось, здесь был рассмотрен дополнительный вопрос: влияет ли количество стволовых алломорфов, связанных со словом, скорость распознавания слов42,43. Стволовые алломорфы являются различными формами ствола слова в различных языковых контекстах. Например, на английском языке, ноги имеет два стволовых алломорфов, ноги и ноги. Другими словами, слово стволовые изменения в зависимости от того, является ли он в единственной или множественной форме. В исследовании описано здесь испытания носителей финского языка, язык, который имеет довольно немного больше сложности в его стволовых изменений по сравнению с английским языком. Слова с большей аломорфнотой стебля (т.е. слова с большим количеством изменений в их стеблях) вызвали более быстрое время реакции во всех группах(Таблица 3, Таблица 4, и таблица6; оценки количества алломорфов были отрицательными, что означает чем выше количество алломорфов слово, тем быстрее время реакции оно вызвало), за исключением группы MCI(Таблица 5; число алломорфов не было значительным предиктором и, следовательно, было удалено из модели).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Используя простую языковую задачу, которая не требует языкового производства, настоящее исследование исследовало влияние различных лексических переменных на распознавание слов у неврологически здоровых молодых и пожилых людей, а также у людей с болезнью Альцгеймера или Мягкие когнитивные нарушения. Возрастной диапазон, используемый для набора "пожилых людей", может зависеть от конкретных научных интересов; однако, диапазон для здоровой пожилой группы должен соответствовать как можно ближе возрастной диапазон и распределение для лиц с MCI или AD, набранных для того же исследования.

Чтобы избежать коллинерности между предикторами, лексические переменные были ортогонализованы в основные компоненты и добавлены к моделям смешанных эффектов, где время реакции служило зависимой переменной. Сочетание простого лексического эксперимента принятия решений и анализа регрессии смешанных эффектов привело к выводу о том, что языковые трудности для пациентов с АД могут быть связаны не только с изменениями в семантической системе, но и с повышенной зависимостью по форме слова. Интересно, что аналогичная картина была найдена для людей с умеренными когнитивными нарушениями и когнитивно здоровых пожилых людей. Это говорит о том, что более широкое использование формовых аспектов обработки языка может быть частью общего возрастного изменения в распознавании письменных слов.

В факторной конструкции, исследователи традиционно создают два или более наборов слов, которые отличаются в зависимости от переменной интересов, а затем сопоставить эти наборы слов по ряду других лексических характеристик, которые могут влиять на скорость обработки. Предположение состоит в том, что любая поведенческая разница, полученная между этими двумя наборами слов, должна быть отнесена к манипулируемым (т.е. непревзойденной) переменной. Одна из проблем с этим типом дизайна является то, что это очень трудно сопоставить наборы слов на более чем несколько переменных. Другая проблема заключается в том, что могут быть некоторые потенциально значимые переменные, которые не совпадают или не могут быть сопоставлены по целому ряду причин. Кроме того, факторный дизайн рассматривает непрерывные явления, как если бы они являются дихотомными факторами. Использование моделей смешанных эффектов для статистического анализа поведенческих данных позволяет исследователю включать потенциально важные лексические переменные в качестве пояснительных переменных без необходимости сопоставлять слова или списки слов в соответствии с этими переменными. В модели смешанных эффектов переменные Subject (код участника/число), Пункт (экспериментальные стимулы) и Trial (пробное число) добавляются как случайные эффекты. Случайные перехваты были включены, потому что предполагается, что субъекты различаются в их общее время реакции (т.е., некоторые участники, естественно, медленнее или быстрее по всем направлениям)

Эта методология может применяться к другим типам вопросов и к другим группам населения, например, к многоязычным или лицам с афизией. Для прежней группы обработка языка может отличаться от одноязычных, поэтому эту переменную следует учитывать при наборе смешанного населения, либо путем ограничения набора только одним типом группы, либо путем сравнения результатов позже, чтобы определить, языковой фон повлиял на результаты.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторам нечего раскрывать.

Acknowledgments

Мы благодарим Минну Лехтонен, Туомо Хённинен, Мерью Халликайнен и Хилку Сойнинен за их вклад в сбор и обработку данных, о которых сообщалось здесь. Сбор данных был поддержан VPH Dementia Research, включенным ЕС, Грантсоглашение No 601055.

Materials

Name Company Catalog Number Comments
E-Prime Psychology Software Tools version 2.0.10.356.
PC with Windows and Keyboard
R R Foundation for Statistical Computing R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

DOWNLOAD MATERIALS LIST

References

  1. Bybee, J. From Usage to Grammar: The Mind's Response to Repetition. Language. 82 (4), 711-733 (2006).
  2. Oldfield, R. C., Wingfield, A. Response latencies in naming objects. The Quarterly Journal of Experimental Psychology. 17, 273-281 (1965).
  3. Nikolaev, A., et al. Effects of morphological family on word recognition in normal aging, mild cognitive impairment, and Alzheimer’s disease. Cortex. 116, 91-103 (2019).
  4. Milin, P., Feldman, L. B., Ramscar, M., Hendrix, P., Baayen, R. H. Discrimination in lexical decision. PLoS ONE. 12 (2), 1-42 (2017).
  5. Andrews, S. Frequency and neighborhood size effects on lexical access: activation or search? Journal of Experimental Psychology: Learning, Memory, and Cognition. 15, 802-814 (1989).
  6. Grainger, J., Muneaux, M., Farioli, F., Ziegler, J. C. Effects of phonological and orthographic neighbourhood density interact in visual word recognition. The Quarterly Journal of Experimental Psychology. 58 (6), 981-998 (2005).
  7. Ossher, L., Flegal, K. E., Lustig, C. Everyday memory errors in older adults. Aging, Neuropsychology, and Cognition. 20, 220-242 (2013).
  8. Barresi, B. A., Nicholas, M., Connor, L. T., Obler, L. K., Albert, M. Semantic degradation and lexical access in age-related naming failures. Aging, Neuropsychology, and Cognition. 7, 169-178 (2000).
  9. Chertkow, H., Whatmough, C., Saumier, D., Duong, A. Cognitive neuroscience studies of semantic memory in Alzheimer's disease. Progress in Brain Research. 169, 393-407 (2008).
  10. Cuetos, F., Arce, N., Martínez, C. Word recognition in Alzheimers’s disease: Effects of semantic degeneration. Journal of Neuropsychology. 11, 26-39 (2015).
  11. Stilwell, B. L., Dow, R. M., Lamers, C., Woods, R. T. Language changes in bilingual individuals with Alzheimer’s disease. International Journal of Language & Communication Disorders. 51, 113-127 (2016).
  12. Obler, L. K. Language and brain dysfunction in dementia. Language functions and brain organization. Segalowitz, S. , Academic Press. New York, NY. 267-282 (1983).
  13. Obler, L. K., Albert, M. L. Language in the elderly aphasic and in the demented patient. Acquired aphasia. Sarno, M. T. , Academic Press. New York. 385-398 (1981).
  14. Obler, L. K., Gjerlow, K. Language and the brain. , Cambridge University Press. Cambridge. (1999).
  15. McKhann, G. M., et al. The diagnosis of dementia due to Alzheimer’s disease: Recommendations from the National Institute on Aging - Alzheimer’s Association workgroups on diagnostic guidelines for Alzheimer’s disease. Alzheimer’s Dementia. 7, 263-269 (2011).
  16. Winblad, B., et al. Mild cognitive impairment - beyond controversies, towards a consensus: Report of the International Working Group on Mild Cognitive Impairment. Journal of Internal Medicine. 256, 240-246 (2004).
  17. Albert, M. S., et al. The diagnosis of mild cognitive impairment due to Alzheimer’s disease: Recommendations from the National Institute on Aging - Alzheimer’s Association workgroups on diagnostic guidelines for Alzheimer’s disease. Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association. 7, 270-279 (2011).
  18. Hughes, C. P., Berg, L., Danziger, W. L., Coben, L. A., Martin, R. L. A new clinical scale for the staging of dementia. The British Journal of Psychiatry. 140, 566-572 (1982).
  19. Baayen, R. H. Data Mining at the Intersection of Psychology and Linguistics. Twenty-first century psycholinguistics: Four cornerstones. Cutler, A. , Lawrence Erlbaum Associates Publishers. Mahwah, NJ, US. 69-83 (2005).
  20. Brants, T., Franz, A. Web 1T 5-gram, version 1. , Linguistic Data Consortium. Philadelphia. (2006).
  21. Baayen, R. H., Piepenbrock, R., Gulikers, L. The CELEX lexical database (CD-ROM). , Linguistic Data Consortium. Philadelphia, PA. (1995).
  22. Wagenmakers, E. J., Ratcliff, R., Gomez, P., McKoon, G. A diffusion model account of criterion shifts in the lexical decision task. Journal of Memory and Language. 58, 140-159 (2008).
  23. Dufau, S., Grainger, J., Ziegler, J. C. How to say “no” to a non-word: a leaky competing accumulator model of lexical decision. Journal of Experimental Psychology: Learning, Memory, and Cognition. 38, 1117-1128 (2012).
  24. R Core Team. R: A language and environment for statistical computing. , R Foundation for Statistical Computing. Vienna, Austria. (2018).
  25. Venables, W. N., Ripley, B. D. Modern applied statistics with S. , 4th ed, Springer. New York, NY. (2002).
  26. Baayen, R. H., Milin, P. Analyzing reaction times. International Journal of Psychological Research. 3 (2), 12-28 (2010).
  27. Koller, M. robustlmm: An R package for robust estimation of linear mixed-effects models. Journal of Statistical Software. 75 (6), 1-24 (2016).
  28. Bates, D., Mächler, M., Bolker, B., Walker, S. Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software. 67, 1-48 (2015).
  29. Kuznetsova, A., Brockhoff, P. B., Christensen, R. H. B. lmerTest Package: Tests in Linear Mixed Effects Models. Journal of Statistical Software. 82, 1-26 (2017).
  30. Akaike, H. Information theory and an extension of the maximum likelihood principle. Second International Symposium on Information Theory. Petrov, B. N., Csaki, B. F. , Academiai Kiado. Budapest. 267-281 (1973).
  31. Sakamoto, Y., Ishiguro, M., Kitagawa, G. Akaike Information Criterion Statistics. , D. Reidel Publishing Company. (1986).
  32. Barr, D. J., Levy, R., Scheepers, C., Tily, H. J. Random effects structure for confirmatory hypothesis testing: Keep it maximal. Journal of Memory and Language. 68, 255-278 (2013).
  33. Bates, D., Kliegl, R., Vasishth, S., Baayen, H. Parsimonious mixed models. arXiv:1506.04967v2. , (2015).
  34. Harrison, X. A., et al. Brief introduction to mixed effects modelling and multi-model inference in ecology. PeerJ. 6, 1-32 (2018).
  35. Kimball, A. E., Shantz, K., Eager, C., Roy, C. E. J. Confronting quasi-separation in logistic mixed effects for linguistic data: a Bayesian approach. Journal of Quantitative Linguistics. , (2018).
  36. Coltheart, M., Davelaar, E., Jonasson, J. T., Besner, D. Access to the internal lexicon. Attention and performance, vol. VI. Dornick, S. , Hillsdale, New Jersey. Erlbaum. 535-556 (1977).
  37. Caselli, N. K., Caselli, M. K., Cohen-Goldberg, A. M. Inflected words in production: Evidence for a morphologically rich lexicon. The Quarterly Journal of Experimental Psychology. 69, 432-454 (2016).
  38. Yarkoni, T., Balota, D., Yap, M. Moving beyond Coltheart’s N: A new measure of orthographic similarity. Psychonomic Bulletin & Review. 15 (5), 971-979 (2008).
  39. Cohen, G. Recognition and retrieval of proper names: Age differences in the fan effect. European Journal of Cognitive Psychology. 2 (3), 193-204 (1990).
  40. Kemmerer, D. Cognitive neuroscience of language. , Psychology Press. New York. (2015).
  41. Baayen, R. H. Analyzing linguistic data: A practical introduction to statistics using R. , Cambridge University Press. Cambridge. (2008).
  42. Nikolaev, A., Lehtonen, M., Higby, E., Hyun, J., Ashaie, S. A facilitatory effect of rich stem allomorphy but not inflectional productivity on single-word recognition. Applied Psycholinguistics. 39, 1221-1238 (2018).
  43. Nikolaev, A., et al. Behavioural and ERP effects of paradigm complexity on visual word recognition. Language, Cognition and Neuroscience. 10, 1295-1310 (2014).

Tags

Поведение Выпуск 148 Распознавание Слов Лексическое решение Психолингвистика Старение Деменция Болезнь Альцгеймера Мягкие когнитивные нарушения модели смешанных эффектов анализ основных компонентов
Лексическое решение Задача для изучения Письменное распознавание слов у взрослых с и без слабоумия или мягкий когнитивных нарушений
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Nikolaev, A., Higby, E., Hyun, J.,… More

Nikolaev, A., Higby, E., Hyun, J., Ashaie, S. Lexical Decision Task for Studying Written Word Recognition in Adults with and without Dementia or Mild Cognitive Impairment. J. Vis. Exp. (148), e59753, doi:10.3791/59753 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter