Summary
Bu makalede, nörolojik olarak sağlıklı katılımcılar ve demans ve bilişsel düşüş olan bireyler yazılı kelime tanıma değerlendirmek için basit bir sözlü karar deneme uygulamak açıklamaktadır. Biz de temel bileşenler Analizi (PCA) ve karma efektler modelleme kullanarak reaksiyon süresi Analizi ayrıntılı bir açıklamasını sağlar.
Abstract
Daha yaşlı yetişkinler daha genç yetişkinlerden daha görsel nesneleri tanıma yavaştır. Aynı bir harf dize gerçek bir kelime olduğunu tanımak için geçerlidir. Alzheimer hastalığı olan insanlar (AD) veya hafif bilişsel bozukluk (MCI) yaşlı kontrolleri daha yazılı kelime tanıma daha uzun tepkiler göstermektedir. Yaşlanma ve neuroognitive bozukluklarda daha yavaş tanınmaya yönelik genel eğilimlere rağmen, kelimelerin belirli özellikleri yaş veya nöropatolojiden bağımsız olarak kelime tanıma hızını etkiler (örn. bir kelimenin kullanım sıklığı). Burada, küçük ve yaşlı yetişkinlere ve MCI veya AD 'ye sahip kişilere uygulanan basit bir sözlü karar deneyinde kelime tanıma tepkisi süreleri üzerinde sözlü özelliklerin etkisini incelemek için bir protokol sunuyoruz. Bu denemede, katılımcıların belirli bir harf dizesinin gerçek bir kelime olup olmadığını mümkün olduğunca hızlı ve doğru bir şekilde karar vermesi istenir. Ayrıca, farklı türde sözlü değişkenlerin veya kelime tanıma hızında katılımcıların bireysel özelliklerinin etkisini algılamak için kullanılabilecek karışık efektler modelleri ve asıl bileşenler analizini de açıklayacağız.
Introduction
Sözcükler, son derece birbirine bağlı bir ağda zihinsel sözlüğü depolanır. Sözcükler arasındaki bağlantılar, semantik benzerlik (örn. köpek ve kedi), benzerliği (köpek ve sis) veya ortak dil kullanımına ilişkin sık karşılaşılan ortak oluşumları (örn. köpek ve tasma). Kullanım tabanlı teori1gibi dil bilişsel teorileri, bir dil kullanıcısı tarafından bir kelimenin her karşılaşma kelimenin zihinsel temsili üzerinde bir etkisi olduğunu savunuyor. Örnek teorisine göre, bir kelimenin temsili, belirli bir kategori için var olan değişkenliği temsil eden ve dil kullanımı bireysel belirteçleri oluşturulan birçok örneklerden oluşur. Kullanım sıklığı2 ' nin bir örnek1' in gücüne katkı sağlayarak hafızada gösterimleri etkiler.
Kelime tanıma hızı zihinsel sözlüğü özelliklerini ortaya çıkarabilir. Kelime tanıma hızını ölçmek için yaygın olarak kullanılan deneysel paradigma sözlü karar görevdir. Bu görevde, katılımcılar aynı anda bir monitörde mektup dizeleri ile sunulur. Ekrandaki harf dizesinin gerçek bir kelime olup olmadığı veya ilgili düğmeye basarak mümkün olduğunca hızlı bir şekilde karar vermesi talimatıdır.
Gerçek kelimeler için reaksiyon sürelerini inceleyerek, araştırmacılar dil işleme hakkında önemli sorular bir dizi adres olabilir. Örneğin, tanıma daha hızlı hale getiren faktörleri tanımlamak, zihinsel sözlüğün yapısı hakkında hipotezler test edebilir ve mimarisini ortaya çıkarabilir. Dahası, farklı katılımcılar arasında performans karşılaştırmalar bize dil deneyimi çeşitli etkilerini anlamak yardımcı olabilir, ya da, yaşlanma veya nörodejeneratif hastalıklar durumunda (örneğin, Alzheimer hastalığı), bilişsel rolü Düşüş.
Bazı faktörler (örneğin, kullanım sıklığı) diğer faktörlerden (örn. kelime uzunluğu) daha fazla kelime tanıma etkisi sergiler. Yaş ilerleyen ile, insanların yazılı kelimeleri tanımak yolu3,4değişebilir. Genç yetişkinler (Bu durumda, köpek) hedef kelime ile her iki form ve anlam kaç bileşikler (örneğin, Bulldog) veya türetilmiş sözcükler (örneğin, köpek) payı yönleri gibi bir kelimenin anlam (anlam tabanlı) yönleri, ağır güvenmek eğilimindedir. Daha eski yetişkinler için Word tanıma, iki sonraki harflerin dilde (örn., harf kombinasyonu St daha sık İngilizce sözcüklerde kombinasyonu daha oluşur sıklığı gibi form tabanlı yönlerini, daha fazla etkilendiğini görünüyor SK).
Farklı gruplar arasında kelime tanıma hızını etkileyen faktörleri belirlemek için, araştırmacı uyarıcı kümesinde belirli değişkenleri manipüle ve daha sonra kelime tanıma hızını tahmin etmek için bu değişkenlerin gücünü test edebilirsiniz. Örneğin, sözcük tanıma semantik veya form tabanlı faktörler tarafından yönlendirilen olup olmadığını sınamak için uyarıcı kümesi zihinsel sözlüğü veya diğer sözcüklere bağlantı onun anlamsal komşuları için bir sözcüğün bağlantı derecesini yansıtan değişkenler içermelidir formun bir kısmını paylaşır.
Bu yöntem, mevcut çalışmada kelime tanıma hızı genç ve büyük yetişkinler ve Alzheimer hastalığı (AD) veya hafif bilişsel bozukluk (MCI)3olan bireyler farklı faktörlerden etkilenir olup olmadığını araştırmak için kullanıldı. Burada açıklanan Yöntem görsel kelime tanıma dayanır ama işitsel modalite adapte edilebilir. Ancak, tipik bir görsel sözlü karar denemede tepki süreleri önemli belirleyiciler bazı değişkenler işitme sözlü karar yanıt gecikmeleri tahmin değil veya zıt etkisi olabilir. Örneğin, fonolojik mahalle bu iki yöntemleri arasında zıt etkiye sahiptir5: daha büyük fonolojik mahalleler ile kelimeler görsel kelime tanıma üzerinde kolaylaştırıcı bir etki sergiler ama daha uzun yanıt gecikmeleri sonucu işitsel sözlü karar6.
Büyük yetişkinlerde kelime bulma zorlukları7 genellikle anlamsal temsili8bir dökümü yerine fonolojik kelime formuna erişen zorlukla atfedilmiştir. Ancak, reklam araştırma öncelikle semantik düşüşler üzerinde duruldu9,10,11,12,13,14. Ne kadar semantik ve ortografik faktörler ile yaşlanma ve bilişsel düşüş olmadan yazılı kelimelerin tanınması etkileyen kitaplığınızı önemlidir. Form ile ilgili faktörlerin etkisi daha genç yetişkinlerde daha yaşlı daha belirgin, ve MCI veya AD3ile insanlar önemli kalır. Böylece, Bu metodoloji, farklı nüfuslar arasında zihinsel sözlüğü özelliklerini ortaya çıkarmak ve yaş ve nöropati ile sözlüğü organizasyonun değişiklikleri belirlemek bize yardımcı olabilir. Nöropatoloji hastaları test ederken bir endişe, onlar görev ile ilgili bilgiye erişim zorlukları olabilir olmasıdır. Ancak, sözlü karar görevi birçok hasta ile ilgili sorunlar sergileyen bellek veya diğer karmaşık bilişsel becerileri çalışma üzerinde hiçbir yükü ile basit bir görevdir. AD ve MCI nüfusu için uygun olarak kabul edilmiştir.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Protokol, Kuzey Savo hastane bölge Etik Komitesi (IRB00006251) yönergelerini takip eder.
1. katılımcı taraması
- Normal veya düzeltilmiş-normal vizyonuna sahip genç ve yaşlı yetişkinleri işe alın ve çalışma ikinci dil edinme ile ilgili belirli araştırma sorularını gidermediği sürece test edilen dilin Yerli konuşmacıları.
- Sağlıklı kontrol grupları için, nörolojik veya psikiyatrik bozukluklar geçmişi olan katılımcılar hariç.
- Klinik gruplar için, Alzheimer hastalığı tanısı almış bireyler işe15 veya hafif bilişsel bozukluk16,17. Klinisyenin kararlarına göre, sadece bilgilendirilmiş izin veren bireyler işe. Doğru karşılaştırmalar için, sağlıklı ve eski yetişkin katılımcıları ile klinik grupların yaş aralığı ve ortalama maç.
- Demans şiddetini ölçmek, örneğin, klinik demans Rating ölçeği kullanarak18 (CDR, 0 = Hayır demans, 0.5 = çok hafif, 1 = hafif, 2 = orta, 3 = şiddetli). Ciddi Demans olan hastalar hariç, çünkü görev onlar için çok zor olabilir. Önem derecelerine rağmen talimatları takip edemiyor gibi katılımcılar içermez.
2. Stimulus inşaatı
- Belirli araştırma sorularını ele almak için sözcük uyarıcıları seçin, örneğin, semantik veya ortografik/fonolojik değişkenlerin farklı nüfuslarda kelime tanıma19 üzerinde daha güçlü bir etkisi olup olmadığını.
- Bir Corpus20 ' den hesaplayın veya bir veritabanından almak21 değişkenleri anlamsal, fonolojik ve uyaranların ortografik özelliklerini yansıtan, böylece teorik motivasyonlu belirleyiciler kelime açıklayan olarak kullanılabilir ya tepki süreleri veya kontrol değişkenleri olarak kabul edilir. Ayrıca, katılımcıların cinsiyet, yaş ve eğitim yılları açıklayıcı veya kontrol değişkenleri olarak kullanın.
- Gerçek kelimelerin yanı sıra, eşleşen pseudo-Words bir dizi inşa. Pseudo-Words belirli sözcük pozisyonlarında (phonotactics) belirli harflerin yerleştirilmesi için dilin normlarına uygun olduğu gerçek kelimelerle benzerdir. Phonotactics için kontrol etmek için, örneğin, rastgele başka bir deyişle ikinci heceler ile bazı sözcüklerden ilk heceler yeniden birleştirerek, pseudo-Words oluşturun. Bu yeniden kombinasyon ve dilin phonotactics ihlal tüm öğeleri aracılığıyla gerçek bir kelime üretmek için olan tüm öğeleri kaldırın.
- Harf ve bigram frekansında kelime uzunluğu açısından hedef sözcüklerle sahte kelimeleri eşleştirin, bu iki sonraki harfin tüm kombinasyonları bir metin korbada ortaya çıkan ortalama sayısı. Bu değişkenler tanıma hızını etkileyen gösterildi.
Not: pseudo-kelime oranını (örn., pseudo-Words sayısına göre gerçek kelimelerin sayısı) manipüle etmek, daha az olası uyaranlara daha yavaş ve daha az doğru22Yanıt ile farklı sonuçlara yol açabilir. - Belirli bir türe ait bir sonraki uyarıcının katılımcının beklentisi (örn. belirli bir akıt sınıfı) azaltmak için gerçek kelime dolgu kümesi ekleyin. Örneğin, farklı kelime kategorilerinden (örneğin, çekimsel sınıflar), ilgi özelliklerine göre uyaranlar oluşturmak için kullanılanlardan daha fazlasını seçin.
3. deneysel tasarım
- Harf dizeleri yatay olarak, bir defada bir, yaklaşık 5 ° görsel bir açı taşmaya.
- Denemeyi, deneme başına sunulan bir sözcüğle (örneğin, 15 kelime ve gerçek denemede bulunmayan 15 sözde kelime), az sayıda deneme içeren bir uygulama oturumuyla başlayın. Bu katılımcının görev ve yanıt düğmeleri ile tanımak için budur. Katılımcı doğru şekilde yanıt vermiyorsa (gerçek kelimeler için ' Evet ' düğmesi ve pseudo-Words için ' Hayır ' düğmesi) uygulama denemeleri sırasında geri bildirim sağlar ve uygulama oturumunu tekrarlayın.
- Deneyi bloklara bölün ve uygulama oturumundan sonra bloklar arasında kısa mola verin. Bu molalar katılımcıların gözlerini dinlenmesine izin verir ve yorgunluk azaltacaktır.
- Her yeni bloğun, analizinde bulunmayan birkaç dolgu maddesi ile başlayın (örn. köpek, kardeş, yılgibi ortak isimler), çünkü BLOKTAKI ilk bırkaç deneme bazen MCI veya reklam ile katılımcılar tarafından yoksayılır.
- Deneysel öğeleri her katılımcı için rasgele bir sırada sunar.
- Her denemeyi, 500 MS için ekranın merkezinde görünen bir sabitleme işareti (örn. + işareti) ile başlayın, ardından sabit (örn. 500 MS) veya değişken süre için boş bir ekran (örn., 500-800 MS).
- Boş ekrandan hemen sonra, 1.500 MS veya katılımcı yanıt verene kadar bir harf dizesi (kelime veya pseudo-Word) mevcut.
- Bir yanıt yaptıktan sonra veya sözcüğün başlangıcından itibaren 1.500 ms sonra (hangisi ilk gelir), 3000 MS deneme başından geçti kadar boş bir ekran ile tekrar izleyin.
- Deneydeki tüm öğeler sunulana kadar bu sırayı yineleyin.
Not: uyarıcı arasındaki gecikme süreleri örnek olarak hizmet vermektedir. Bunları değiştirmek, sonuçların desenini etkileyebilir.
4. deneysel prosedür
- Normalde aydınlatılmış bir odada yaklaşık 80 cm 'lik bir görüntüleme mesafesinde katılımcı bir bilgisayar monitörünün önüne yerleştirin.
- Katılımcının, ekrandaki harf dizesinin gerçek bir kelime olup olmadığı ya da baskın el ile iki karşılık gelen düğmelerden birine basılarak mümkün olduğunca hızlı ve doğru bir şekilde karar vermelerini isteyin (örn. gerçek kelimeler için işaret parmağı ve orta parmak için (pseudo-Words) veya her elin parmak parmağı kullanarak.
Not: katılımcılar performanslarını yönergelere uygun şekilde optimize etmeye çalışmaya çalışın. Böylece, tepkiler doğruluğu veya tersi23vurgulayarak hızını etkilenecektir.
5. R 'de karma efektler modeliyle verileri analiz etme
Not: analiz gerçekleştirmek için birçok farklı istatistiksel program kullanılabilir. Bu bölümde, R24veri çözümleme adımları açıklanmaktadır.
- Sunum programının çıkış dosyasından (örn. E-Studio yazılımı) her deneme için milisaniye cinsinden ölçülen reaksiyon süresini (RT) edinin.
- Lme428 ve lmertest29paketlerini yükleyin. Paketleri işlev kitaplığı ile iliştirin veya gerektirir.
- Okuma. Table işlevini kullanarak verileri R 'ye alın.
- RT verilerinin dağılımı genellikle çok eğilmiş olduğu için kütle paketi25' ten boxcox fonksiyonuyla dönüşüm ihtiyacını kontrol edin.
> Kütüphanesi (Mass)
> boxcox (RT ~ Expnanatory_variable, veri = yourdata)
Not: boxcox işlevi tarafından üretilen grafik boxcox dönüşümü parametresi için% 95 güven aralığını gösterir. Bu aralıkta bulunan Lambda değerlerine bağlı olarak, gerekli dönüşüm seçilebilir, örn., λ = − 1 (ters dönüşüm), λ = 0 (Logaritmik dönüşüm), λ = 1/2 (kare kökü dönüşümü) ve λ = 1/3 (küp kökü dönüşümü).- Ters dönüştürülmüş RTs (örn.,-1000/RT) veya RTs ikili logaritmaları (örn., log2 (RT)) kullanarak RT değerlerini dönüştür, bu dönüşümler ham RTs 'den daha sözlü karar deneylerinde reaksiyon süreleri için daha normal benzeri dağıtımları sağlamaya eğilimlidir 26' ya kadar.
- Alternatif olarak, normal dağılımlara dayanmayan ve sağlam doğrusal karışık efektler modellerini uygun olmayan istatistiksel yöntemler kullanın ve hangi aykırı veya diğer kontaminasyon kaynaklarının27' ye az etkisi olduğu konusunda tahminler sağlayın.
- Reaksiyon süresi analizlerinin genellikle doğru yanıtlar üzerinde gerçekleştirildiği için, katılımcıların yanıtının yanlış olduğu (gerçek kelimelere "Hayır" yanıtı) ve eksiklikler olan denemeleri hariç tutun.
- Ayrıca, onlar hakkında spesifik hipotezler olmadıkça sözde kelimeler ve dolgu yanıtları hariç.
- Genellikle katılımcı çok geç bir önceki uyarıcı yanıt veya o yanlışlıkla uyarıcı okumadan önce yanıt düğmesine basıldığında olduğunu belirtmek için 300 ms daha hızlı yanıt süreleri ile denemeler hariç.
- RT sonucunu ölçmek ve Konu, Maddeve deneme rasgele efektler olarak tanımlayan bir temel doğrusal karışık efektler modeli oluşturun. Değerleri rasgele daha büyük bir küme (nüfus) değerinden örneklenen değişkenleri rasgele efektler ve değişkenler az sayıda düzeylere sahip veya tüm düzeylerin verilere dahil edilen değişkenler sabit efektler olduğunu unutmayın. Formda rasgele efektler ekleyin (1 | Konu) rasgele etkileri her biri için rasgele yakalanmaları tahmin etmek için.
> G1 = lmer (RT ~ (1 | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata)
> Özeti (G1) - Kuramsal olarak motivasyonlu bir düzende açıklayıcı değişkenler ekleyin. Örneğin, sözcüklerin temel frekansını sabit bir efekt olarak ekleyin. Temel veya yüzey frekansı gibi bazı değişkenler, Zipfian dağıtımları var, bu nedenle bir daha Gauss dağıtım şekli, örneğin, Logaritmik dönüşüm sonuçları bir dönüşüm ile modele ekleyin.
> G2 = lmer (RT ~ log (BaseFrequency + 1) + (1 | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata)
> Özeti (G2) - Her Predictor (örn. Basefrequency) eklenirken ANOVA işlevine göre, modelin öngörücü olmadan bir modele kıyasla tahmin gücü önemli ölçüde iyileştirildi.
> ANOVA (G1, G2)- Basit model üzerinde yeni modelin sığması önemli bir fark varsa, daha az predictors ile en basit modeli tercih edin. Ayrıca, her modelin Akaike bilgi kriteri (AıC)30 ' a bakın. AıC, istatistiksel modellerin maksimum olasılığına göre bir veri kümesine nasıl sığabileceği konusunda bir ölçüsüdür. Düşük değerler31veri için daha iyi bir uyum gösterir.
> AıC (G1); AıC (G2)
- Basit model üzerinde yeni modelin sığması önemli bir fark varsa, daha az predictors ile en basit modeli tercih edin. Ayrıca, her modelin Akaike bilgi kriteri (AıC)30 ' a bakın. AıC, istatistiksel modellerin maksimum olasılığına göre bir veri kümesine nasıl sığabileceği konusunda bir ölçüsüdür. Düşük değerler31veri için daha iyi bir uyum gösterir.
- 5,7 adımları yineleyin. ve 5,8. diğer açıklayıcı değişkenler ekleyerek, örneğin, bazı bu Tablo 1, tek tek teorik olarak motive sırada sunulan ve sadece bu önemli ölçüde modelin tahmin gücünü artırmak tutmak. Değişken uyarıcı başlangıçlı asynchrony kullanılırsa, modele sabit efekt değişkeni olarak ekleyin.
- Tahminleyiciler arasında teorik olarak motive olan etkileşimleri kontrol edin. Örneğin, yaş tarafından temel frekans günlüğüetkileşimi bir terim ekleyin.
> G3 = lmer (RT ~ log (basefrequency + 1) + yaş + log (BaseFrequency + 1): yaş + (1 | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata)
Not: bir öngörü başka bir değişken, ancak ana Predictor olarak önemli bir etkileşim terimi olarak önemli olabilir. Bu durumda, bu Predictor modelden kaldırmayın (aynı zamanda ana etkisi olarak dahil). - Göre ekleme-katılımcı rasgele yamaçlarda32 "1 +" dahil ederek belirleyiciler için değişken adı önce, sonra "| Konu ", örneğin, (1 + log(basefrequency + 1) | Konu), çünkü katılımcıların yanıt süreleri kelimelerin sözlü özelliklerinden farklı şekillerde etkilenebilir.
Not: birçok sürekli predictors varsa, rasgele eğim modelleri doğru farkları ve kovarlıkları33,34tahmin etmek için büyük miktarlarda veri gerektirdiğinden tüm rasgele yamaçlarına sahip olmak gerçekçi değildir. Maksimal model (başka bir deyişle, başarıyla hesaplamak) yakınsama değil durumda,33modeli basitleştirmek. Alternatif olarak, çok düzeyli modelleme35Bayesian sürümlerini uygulayın. - Analiz her katılımcı grubu için ayrı olarak çalıştırın. Alternatif olarak, bir çözümleme tüm verileri, grup sabit efekt Predictor olarak çalıştırın ve sonra önemli predictors tarafından grup etkileşimi için sınayın.
> G4 = lmer (RT ~ log (BaseFrequency + 1) + yaş + log (BaseFrequency + 1): Yaş + Grup + günlük (BaseFrequency + 1): Grup + (1 + log (BaseFrequency + 1) | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata) - Olası aykırı ölçülerin etkisini ortadan kaldırmak için, veri noktalarını aşan mutlak standartlaştırılmış kalıntılar, örn. 2,5 standart sapmalar26ve yeni verilerle (yourdata2) modele yeniden sığdırma.
> yourdata2 = verileriniz [ABS (ölçek (RESID (G4))) < 2,5,]
> G5 = lmer (RT ~ log (BaseFrequency + 1) + yaş + log (BaseFrequency + 1): Yaş + Grup + log (BaseFrequency + 1): Grup + (1 + log (BaseFrequency + 1) | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata2)
Not: tüm aşırı veri noktaları modeli için zararlı-sadece model üzerinde aşırı kaldıraç olan olanlar. - Araştırmacı (veri odaklı) çözümleme durumunda, geriye dönük aşamalı regresyon kullanın: ilk analiz tüm değişkenleri içerir ve sonra adım adım moda modelinden önemli olmayan değişkenleri kaldırın. Alternatif olarak, lmertest29paketi tarafından sağlanan Step işlevi ile önemli olmayan belirleyiciler ortadan kaldırmak otomatik yordamı kullanın.
> adım (G4)
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Tablo 1 , çözümde sabit efekt belirleyiciler olarak dahil edilen üç farklı kaynaktan (bir Corpus, sözlük ve test öğelerinin pilot testi) alınan değişkenlerin listesini gösterir. Bu değişkenlerin çoğu daha önce sözcük tanıma hızını etkileyecek şekilde bildirilmiştir.
| Corpus: | |
| Temel frekans | bir sözcüğün tüm farklı formlarda (örn. çocuk ve çocuk) içinde bir kelimenin göründüğü zaman sayısı |
| Bigram frekansı | iki sonraki harfin tüm kombinasyonlarını Corpus içinde ortaya çıkan ortalama sayısı |
| Morfolojik aile boyutu | Bir morfem ad ile paylaşan türetilmiş ve bileşik kelimelerin sayısı |
| Morfolojik aile frekansı | Tüm morfolojik aile üyelerinin toplanan baz frekansı |
| Pseudo-morfolojik aile boyutu | Sadece "gerçek" morfolojik aile üyeleri değil, aynı zamanda onların ortografik formunda morfolojik aile üyeleri taklit kelimeleri içerir, onlar gerçek morphemes olup olmadığını, ve böylece ortografik çakışmayı temsil eder ama mutlaka anlamsal örtüşme |
| Pseudo-morfolojik aile frekansı | Tüm sözde morfolojik aile üyelerinin toplanan baz frekansı |
| Yüzey frekansı | bir sözcüğün Corpus 'da tam olarak aynı formda (örn. çocuk) görünme sayısı. |
| Trigram frekansı | Üç sonraki harfin tüm kombinasyonlarını Corpus içinde ortaya çıkan ortalama sayısı |
| Sözlük: | |
| Bir tane Hamming mesafesi | aynı uzunlukta kelime sayısı ama sadece herhangi bir tek harfli36 farklı |
| Uzun -luğu | harf sayısı |
| Ortografik mahalle yoğunluğu | aynı uzunlukta ama sadece ilk harfinde farklı kelime sayısı37, 38 |
| Pilot test: | On altı katılımcı, aşağıdaki parametrelerde hedef sözcüklerin her biri için 6 noktalı ölçekte (0 ' dan 5 ' e kadar) tahminlerini belirttiler. |
| Doğru isim olarak | ne sıklıkta kelime doğru bir isim olarak görülür (örneğin, bir aile adı olarak, Baker gibi)39 |
| Somutluktan yoksun | Hangi sözcüklerle ilgili somut varlıklar40 ifade |
| Benzerlik derecesi | kelimenin ne kadar tanıdık |
| Görüntülilik | zihinsel görüntüler40 ile hangi sözcüklerin kolaylığı ve hızı |
Tablo 1. Karma efektler çözümlemelerinde bulunan değişkenler, üç farklı kaynaktan elde edilen sabit efekt belirleyiciler olarak (bir gövde, bir sözlük ve test öğelerinin pilot testi).
Açıklayıcı değişkenlerin sayısı, araştırma sorularını ve veritabanlarından, sözlüklerden veya corpora 'daki değişkenlerin mevcudiyeti üzerine bağlı olarak daha küçük veya daha büyük olabilir. Ancak, belirleyiciler gibi çok sayıda sözlü özellikleri de dahil olmak üzere, belirleyiciler arasındaki koldoğrusallık formunda komplikasyonlara yol açabilir ve böylece sonuç ölçü üzerinde benzer etkileri öngörebilirsiniz. Örneğin, sözcüklerin koncreteness ve ımageability çok korelasyon olabilir. Herhangi bir doğrusal regresyon analizinde Predictor değişkenlerinin birbirlerinden bağımsız olduğu varsayılır. Ancak, modele daha fazla değişken eklendiğinde, bazı değişkenlerin birbirlerinden bağımsız olmaması riski artar. Değişkenler arasındaki korelasyon ne kadar yüksek olursa, bu koldoğrusallık model41için daha zararlı olabilir. Olası bir sonucu olan koldoğrusallık bazı belirleyiciler önem düzeyi spurious olabilir.
Belirleyiciler arasında koldoğrusallık etkisini önlemek için belirleyiciler sayısı azaltılmalıdır. İki belirleyiciler gösterir, koldoğrusallık, bunlardan yalnızca biri modele dahil edilmelidir. Ancak, ikiden fazla belirleyiciler belirsizliği gösteriyorsanız, ancak bir fark kaybına yol açacak tüm hariç, sonra tüm dışlanacak. Bir yandan, bir araştırmacı deneysel tasarım bir priorizaten açıklayıcı değişkenler sayısını azaltabilir, sadece bu hipotez tahrik (teorik olarak motive) bırakarak ve bu araştırmacı arasında hipotezler test izin farklı nüfus. Öte yandan, bazen mevcut bir teori yoktur ve bu nedenle, temel bileşen analizi (PCA)41 bileşenlere benzer etkilere sahip belirleyiciler birleştirerek belirleyiciler sayısını azaltmak için kullanmak makul. Bu analiz, Predictor alanı orthogonalized ve yeni alanın asıl bileşenleri belirleyiciler olarak kullanıldı (aşağıda açıklanan adımları41 Pages 118-126). PCA kullanmanın bir dezavantajı bazen bileşenleri zor birden fazla predictors etkilerini kitaplığınızı yapmak olduğunu; Hepsi aynı asıl bileşen üzerinde güçlü yükleri ile ortaya çıkabilir.
Kelime tanıma hızını daha genç yetişkinler ve büyük yetişkinler için farklı olabilir incelemek için beş temel bileşenlere tüm sözlü belirleyiciler dönüştürdük. Ancak, sadece iki tanesi genç yetişkinlerin verilerinde önemli idi (Tablo 3): PC1 ve PC4. Eski denetimler (Tablo 4), MCI (Tablo 5) ve ad (Tablo 6) olan bireyler Için modelde üç temel bileşen (PC 'ler) önemli belirleyiciler idi.
| PC2 | |
| Bigram Freq. | -0,390 |
| Bir tane Hamming mesafesi | -0,350 |
| Son trigram Freq. | -0,330 |
| Mahalle yoğunluğu | -0,320 |
| Uzun -luğu | -0,226 |
| İlk trigram frekansı. | -0,224 |
| Pseudo-aile boyutu (Final) | -0,124 |
| Pseudo-aile Freq. (Final) | -0,052 |
| Aile frekansı (bileşikler) | -0,042 |
| Aile büyüklüğü (bileşikler) | -0,039 |
| Aile Freq. (türetilen sözcükler) | -0,036 |
| Aile boyutu (türetilen sözcükler) | -0,034 |
| Yüzey frekansı. | -0,023 |
| Temel frekans. | -0,008 |
| Pseudo-aile boyutu (ilk) | 0,070 |
| Benzerlik derecesi | 0,093 |
| Doğru isim olarak | 0,102 |
| Pseudo-aile Freq. (ilk) | 0,113 |
| Somutluktan yoksun | 0,275 |
| Görüntülilik | 0,296 |
| Pseudo-aile boyutu (dahili) | 0,296 |
| Pseudo-aile Freq. (iç) | 0,316 |
Tablo 2. PC2 için döndürme matrisini. Yükleri her değişkenin bileşene katkı derecesi vardır. Bu tablo Cortex3' ün izni ile değiştirildi.
Tablo 2 , PC2 üzerindeki yükleri ile sözlü değişkenleri sunar. PC2 'nin en güçlü pozitif yükleri, iç pozisyonda örtüşme için pseudo-Family boyutu ve frekansıdır. En güçlü negatif yükleri biygram frekansı, bir, son trigram frekansı Hamming mesafe ve ortografik mahalle yoğunluğu vardı. Tüm bu değişkenler öncelikle form tabanlı yerine anlam tabanlı olduğundan, PC2 sözcük tanıma hızında bir sözcüğün form tabanlı yönlerini etkisini yansıtacak şekilde yorumlanır.
Tablo 3 genç yetişkinler için karma efektler analizinin sonuçlarını gösterir (31 katılımcı). PC2 genç yetişkinlerin yanıt süreleri önemli bir öngörü değildi beri ( Tablo 3), bu bu form tabanlı değişkenlerin genç yetişkinlere kıyasla daha az etkisi olduğunu göstermek gibi görünüyor ', bu ad veya MCI dahil olmak üzere büyük yetişkinler ', karşılaştırıldığında .
| Sabit efektler | Tahmin | STD. Error | t-değeri | p-değeri |
| Müdahale | -1,31 | 0,05 | -26,36 | < 0.001 |
| (Allomorphs) | -0,034 | 0,015 | -2,3 | 0,024 |
| PC1 | -0,021 | 0,004 | -5,179 | < 0.001 |
| PC4 | -0,042 | 0,008 | -5,224 | < 0.001 |
| Rasgele efektler | ||||
| Grup | Adı | Varyans | STD. dev. | Corr |
| Öğe | Müdahale | 0,009 | 0,095 | |
| Konu | Müdahale | 0,032 | 0,179 | |
| PC1 | 4.765 e-05 | 0,007 | 0,08 | |
| Artık | 0,005 | 0,235 | ||
| OBS sayısı. 2862; Madde, 99; Konu, 31 | ||||
Tablo 3. Genç yetişkinler için gerçek kelimeler için öngörülen yanıt gecikmeleri için takılan karışık modeller için tahmini katsayılar, standart hatalar ve t-ve p-değerleri. Bu tablo Cortex3izni ile değiştirildi.
Sabit efekt değişkeni için tahmin , bu sabit efektin değeri değişirse, bağımlı DEĞIŞKENIN (RT) arttıkça veya azalacağı tutar olarak yorumlanabilir. Tahmin negatifse, değişken reaksiyon süreleri ile olumsuz ilişkilendirir anlamına gelir (değişken daha yüksek, daha küçük (daha hızlı) reaksiyon süreleri). T-değeri genellikle daha az-2 veya 2 ' den büyük olması için Predictor önemli olması gerekir.
Tablo 4, Tablo 5ve Tablo 6 yaşlı kontroller (17 Katılımcı), MCI (24 katılımcı) ve ad (21 katılımcı) olan bireyler için karışık efektler analizinin sonuçlarını gösterir.
Üç yaşlı gruplar arasında ilginç bir fark ortaya çıktı: eğitim önemli ölçüde yaşlı kontroller kelime tanıma hızını tahmin (Tablo 4; eğitim için tahmin negatif, bu eğitim daha fazla yıl olduğunu anlamına gelir daha hızlı reaksiyon süreleri ile ilişkili) ve MCI (Tablo 5) ile bireyler, ancak ad (Tablo 6; Eğitim, önemli bir öngörü olmadığı için modelden bırakıldı), ancak bu gruplar arasında yıllık eğitim farklılaşmasına açık bir fark yoktu (AD: Mean 10,8 yıl, SD 4,2, Range 5-19; MCI: ortalama 10,4 yıl, SD 3,5, Aralık 6-17; Yaşlı kontroller: ortalama 13,7 yıl, SD 3,7, Range 8-20).
| Sabit efektler | Tahmin | STD. Error | t-değeri | p-değeri |
| Müdahale | -0,72 | 0,157 | -4,574 | < 0.001 |
| (Allomorphs) | -0,022 | 0,01 | -2,14 | 0,035 |
| PC1 | -0,011 | 0,003 | -4,122 | < 0.001 |
| PC2 | -0,011 | 0,005 | -2,223 | 0,029 |
| PC4 | -0,02 | 0,006 | -3,687 | < 0.001 |
| Eğitim | -0,024 | 0,011 | -2,237 | 0,041 |
| Rasgele efektler | ||||
| Grup | Adı | Varyans | STD. dev. | |
| Öğe | Müdahale | 0,003 | 0,057 | |
| Konu | Müdahale | 0,026 | 0,16 | |
| Artık | 0,033 | 0,181 | ||
| OBS sayısı. 1595; Madde, 99; Konu, 17 | ||||
Tablo 4. Eski denetimler için gerçek sözcükler için beklenen yanıt gecikmeleri için takılan karma modeller için tahmini katsayıları, standart hatalar ve t-ve p değerleri. Bu tablo Cortex3izni ile değiştirildi.
| Sabit efektler | Tahmin | STD. Error | t-değeri | p-değeri |
| Müdahale | -0,562 | 0,114 | -4,922 | < 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 |
| Eğitim | -0,039 | 0,01 | -3,708 | 0,001 |
| Rasgele efektler | ||||
| Grup | Adı | Varyans | STD. dev. | |
| Öğe | Müdahale | 0,003 | 0,056 | |
| Konu | Müdahale | 0,03 | 0,174 | |
| Artık | 0,061 | 0,248 | ||
| OBS sayısı. 2227; Madde, 99; Konu, 24 | ||||
Tablo 5. MCI olan bireyler için gerçek sözcükler için öngörülen yanıt gecikmeleri için takılan karma modeller için tahmini katsayılar, standart hatalar ve t-ve p-değerleri. Bu tablo Cortex3izni ile değiştirildi.
| Sabit efektler | Tahmin | STD. Error | t-değeri | p-değeri |
| Müdahale | -0,876 | 0,051 | -17,017 | < 0.001 |
| (Allomorphs) | -0,018 | 0,009 | -2,008 | 0,048 |
| PC1 | -0,011 | 0,003 | -4,097 | < 0.001 |
| PC2 | -0,011 | 0,004 | -2,718 | 0,008 |
| PC4 | -0,018 | 0,005 | -3,751 | < 0.001 |
| Rasgele efektler | ||||
| Grup | Adı | Varyans | STD. dev. | Corr |
| Deneme | Müdahale | 0,001 | 0,034 | |
| Öğe | Müdahale | 0,002 | 0,049 | |
| Konu | Müdahale | 0,045 | 0,212 | |
| PC1 | 4.138 e-05 | 0,006 | 0,83 | |
| Artık | 0,026 | 0,162 | ||
| OBS sayısı. 1879; Madde, 99; Konu, 21 | ||||
Tablo 6. AD ile bireyler için gerçek sözcükler için öngörülen yanıt gecikmeleri için takılan karma modeller için tahmini katsayıları, standart hatalar ve t-ve p-değerleri. Bu tablo Cortex3izni ile değiştirildi.
Çalışma burada ek bir soru ele bildirdi: bir kelime ile ilişkili kök allomorphs sayısı kelime tanıma42,43hızını etkiler olsun. Kök allomorphs çeşitli dilsel bağlamlar arasında bir kelime kök farklı formları vardır. Örneğin, Ingilizce, ayak iki kök allomorphs, ayak ve ayaklarvardır. Başka bir deyişle, kelime kök tekil veya çoğul formda olup olmadığına bağlı olarak değişir. Burada açıklanan çalışma Fince, Ingilizce ile karşılaştırıldığında kök değişiklikleri oldukça biraz daha karmaşıklığı olan bir dil konuşmacı test edildi. Daha büyük kök allomorphy (yani, onların kaynaklanıyor daha fazla değişiklik olan sözcükler) ile kelimeler tüm gruplarda daha hızlı reaksiyon süreleri (Tablo 3, Tablo 4ve Tablo 6; allomorphs sayısı için tahminler negatif, yani daha yüksek allomorphs sayısı bir kelime vardı, daha hızlı tepki süreleri) MCI grubu dışında (Tablo 5; allomorphs sayısı önemli bir Predictor değildi ve bu nedenle modelden bırakıldı).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Dil üretimi gerektirmeyen basit bir dil görevi kullanarak, bu çalışmada nörolojik olarak sağlıklı genç ve yaşlı yetişkinlerde kelime tanıma çeşitli sözlü değişkenlerin etkisini araştırdı, hem de Alzheimer hastalığı olan insanlar veya hafif bilişsel bozukluk. "Büyük yetişkinler" işe alma için kullanılan yaş aralığı belirli araştırma çıkarları bağlı olabilir; Ancak, sağlıklı yaşlı grup için Aralık aynı çalışma için işe MCI veya AD ile bireyler için yaş aralığı ve dağılımı mümkün olduğunca yakından eşleşmelidir.
Predictors arasında koldoğrusallık önlemek için sözlü değişkenler asıl bileşenlere orthogonalized ve karma efektler modelleri, burada tepki süreleri bağımlı değişken olarak hizmet eklendi. Basit bir sözlü karar denemenin ve karışık efektler regresyon analizinin kombinasyonu, AD hastalarının dil zorlukların sadece semantik sistemde yapılan değişikliklere değil, aynı zamanda artan bir güvene de bağlanmasına yol açan yeni bir bulguya neden olabilir kelime formunda. İlginçtir, benzer bir desen hafif bilişsel bozukluk ve bilişsel sağlıklı yaşlılar ile insanlar için bulundu. Bu, dil işleme form tabanlı yönleri üzerinde artan bir güven yazılı kelime tanıma ortak bir yaş ile ilgili değişiklik bir parçası olabileceğini göstermektedir.
Bir faktöriyel tasarım, araştırmacılar geleneksel ilgi değişkenine göre farklılık kelime iki veya daha fazla dizi oluşturmak ve daha sonra işlem hızını etkileyebilecek diğer sözlü özellikleri bir dizi kelime bu setleri maç. Varsayım, bu iki kelime kümesi arasında elde edilen herhangi bir davranışsal fark, manipüle edilmiş (yani, eşleşmeyen) değişkene atfedilmelidir. Bu tür bir tasarım ile ilgili bir sorun, birkaç değişkenden fazla kelime kümelerini eşleştirmek çok zordur. Başka bir sorun, Word kümeleri üzerinde eşleştirilmemiş veya çeşitli nedenlerle eşleştirilemedi bazı potansiyel olarak önemli değişkenler olabilir olmasıdır. Ayrıca, faktöre tasarım sürekli fenomen gibi onlar Dichotomous faktörler davranır. Davranış verilerinin istatistiksel analizi için karışık efektler modellerinin kullanımı, araştırmacıya, bu değişkenlere göre kelimelerin veya sözcüklerin listelerine uyacak gerek kalmadan açıklayıcı değişkenler olarak potansiyel olarak önemli sözlü değişkenler eklemesine izin verir. Karma efektler modelinde Konu (katılımcı kodu/numarası), Madde (deneysel uyaranlara) ve deneme (deneme numarası) değişkenlerinin rasgele efektler olarak eklendiği görülmektedir. Bu konuların genel reaksiyon zamanlarında farklılık gösterdiğinden (yani, bazı katılımcılar tahta boyunca doğal olarak yavaş veya hızlı) olduğu varsayılır çünkü rasgele yakalıklar dahil edildi
Bu metodoloji diğer soru türlerine ve diğer nüfuslara uygulanabilir, örn., çok dillilik veya Aphasia bireyleri. Eski grup için dil işleme monolinguals farklı olabilir, bu nedenle bu değişken bir karma dil nüfus, ya da yalnızca bir grup türü işe kısıtlayarak ya da daha sonra belirlemek için sonuçları karşılaştırarak değerlendirerek olup olmadığını dikkate alınmalıdır Dil arka plan sonuçları etkiledi.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarların ifşa etmesi gereken hiçbir şey yok.
Acknowledgments
Biz Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen, ve Hilkka Soininen veri toplama ve işleme katkı için teşekkür ederiz burada bildirdi. Veri toplama AB tarafından etkin VPH demans araştırma tarafından destekleniyordu, Grant anlaşması 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/. |
References
- Bybee, J. From Usage to Grammar: The Mind's Response to Repetition. Language. 82 (4), 711-733 (2006).
- Oldfield, R. C., Wingfield, A.
- 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).
- Milin, P., Feldman, L. B., Ramscar, M., Hendrix, P., Baayen, R. H.
- 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).
- 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).
- Ossher, L., Flegal, K. E., Lustig, C. Everyday memory errors in older adults. Aging, Neuropsychology, and Cognition. 20, 220-242 (2013).
- 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).
- 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).
- Cuetos, F., Arce, N., Martínez, C. Word recognition in Alzheimers’s disease: Effects of semantic degeneration. Journal of Neuropsychology. 11, 26-39 (2015).
- 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).
- Obler, L. K. Language and brain dysfunction in dementia. Language functions and brain organization. Segalowitz, S. , Academic Press. New York, NY. 267-282 (1983).
- 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).
- Obler, L. K., Gjerlow, K. Language and the brain. , Cambridge University Press. Cambridge. (1999).
- 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).
- 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).
- 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).
- 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).
- 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).
- Brants, T., Franz, A. Web 1T 5-gram, version 1. , Linguistic Data Consortium. Philadelphia. (2006).
- Baayen, R. H., Piepenbrock, R., Gulikers, L. The CELEX lexical database (CD-ROM). , Linguistic Data Consortium. Philadelphia, PA. (1995).
- 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).
- 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).
- R Core Team. R: A language and environment for statistical computing. , R Foundation for Statistical Computing. Vienna, Austria. (2018).
- Venables, W. N., Ripley, B. D. Modern applied statistics with S. , 4th ed, Springer. New York, NY. (2002).
- Baayen, R. H., Milin, P.
- Koller, M. robustlmm: An R package for robust estimation of linear mixed-effects models. Journal of Statistical Software. 75 (6), 1-24 (2016).
- Bates, D., Mächler, M., Bolker, B., Walker, S. Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software. 67, 1-48 (2015).
- 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).
- 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).
- Sakamoto, Y., Ishiguro, M., Kitagawa, G. Akaike Information Criterion Statistics. , D. Reidel Publishing Company. (1986).
- 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).
- Bates, D., Kliegl, R., Vasishth, S., Baayen, H.
- Harrison, X. A., et al. Brief introduction to mixed effects modelling and multi-model inference in ecology. PeerJ. 6, 1-32 (2018).
- 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).
- 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).
- 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).
- 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).
- Cohen, G. Recognition and retrieval of proper names: Age differences in the fan effect. European Journal of Cognitive Psychology. 2 (3), 193-204 (1990).
- Kemmerer, D. Cognitive neuroscience of language. , Psychology Press. New York. (2015).
- Baayen, R. H. Analyzing linguistic data: A practical introduction to statistics using R. , Cambridge University Press. Cambridge. (2008).
- 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).
- Nikolaev, A., et al. Behavioural and ERP effects of paradigm complexity on visual word recognition. Language, Cognition and Neuroscience. 10, 1295-1310 (2014).
