Summary
この記事では、神経学的に健康な参加者や認知症や認知機能低下を持つ個人で書かれた単語認識を評価するための簡単な字句決定実験を実装する方法について説明します。また、主成分解析(PCA)と混合効果モデリングを用いての反応時間解析の詳細な説明も提供します。
Abstract
高齢者は若い成人よりも視覚的な物体を認識するのが遅い。文字文字列が実際の単語であることを認識する場合も同じことが言です。アルツハイマー病(AD)または軽度認知障害(MCI)を持つ人々は、高齢者コントロールよりも書かれた単語認識でさらに長い応答を示しています。加齢や神経認知障害の認識が遅くなる傾向があるにもかかわらず、単語の特定の特性は、年齢や神経病理学(例えば、単語の使用頻度)に関係なく、単語の認識速度に影響を与えます。ここでは、若年者や高齢者、MCIまたはADを持つ人々に投与された簡単な字句決定実験において、語彙特性が単語認識応答時間に及ぼす影響を調べるためのプロトコルを提示する。この実験では、参加者は、特定の文字文字列が実際の単語であるかどうかをできるだけ迅速かつ正確に決定するように求められます。また、異なるタイプの字句変数や参加者の個々の特性が単語認識速度に及ぼす影響を検出するために使用できる混合効果モデルと主成分分析についても説明する。
Introduction
単語は、高度に相互接続されたネットワーク内の mental 辞書に格納されます。単語間のつながりは、意味的類似性(例えば、犬と猫)、類似性(犬と霧)、または一般的な言語使用における頻繁な共発生(例えば、犬と犬および犬)などの共有プロパティを反映する可能性があります。リーシュ)。使用法に基づく理論1のような言語の認知理論は、言語ユーザーによる単語の出会いが単語の精神的表現に影響を与えると主張する。例えば、単語の表現は、言語使用の個々のトークンから構築され、特定のカテゴリに存在する変動性を表す多くの例で構成されています。使用頻度 2は、例例1の強度に寄与することにより、メモリ内の表現に影響を与えます。
単語認識速度は、精神的な辞書の特性を明らかにすることができます。単語認識の速度を測定するために一般的に使用される実験パラダイムは、字句的な意思決定タスクです。このタスクでは、参加者にはモニター上の文字ひもが一度に 1 つずつ表示されます。彼らは、画面上の文字文字列が実際の単語であるかどうかを可能な限り迅速に決定するように指示されます対応するボタンを押すことによって。
実際の単語の反応時間を調べることで、言語処理に関する重要な質問の数に対処することができます。例えば、どの要因が認識を速くするかを特定することは、精神的な辞書の構造に関する仮説をテストし、そのアーキテクチャを明らかにすることができます。さらに、参加者の異なるグループ間のパフォーマンスの比較は、様々な種類の言語経験の影響を理解するのに役立ちます, または, 老化や神経変性疾患の場合 ( 例えば, アルツハイマー病), 認知の役割減少。
いくつかの要因(例えば、使用頻度)は、他の因子(例えば、単語の長さ)よりも単語認識に大きな影響を示す。年齢が上がった年月を通して、人々が書かれた言葉を認識する方法は、3、4を変えるかもしれません。若い成人は、単語の意味(意味に基づく)の側面(例えば、ブルドッグ)や派生語(例えば、犬)がターゲットワード(この場合は犬)と両方の形と意味の側面を共有する傾向があります。高齢者の単語認識は、後続の2つの文字が言語で共存する頻度など、フォームベースの側面の影響を受けているように見えます(例えば、文字の組み合わせは、組み合わせよりも英語の単語で頻繁に発生します)sk)。
異なるグループ間の単語認識速度に影響を与える要因を決定するために、研究者は、刺激セット内の特定の変数を操作し、これらの変数のパワーをテストして単語認識速度を予測します。たとえば、単語認識が意味的要因またはフォームベースの要因によって駆動されているかどうかをテストするために、刺激セットには、精神的な辞書内の意味的な隣人への単語の接続度合い、または他の単語への接続性を反映する変数を含める必要があります。そのフォームの一部を共有します。
この方法は、単語認識速度が若年および高齢者およびアルツハイマー病(AD)または軽度認知障害(MCI)3の個人において異なる要因によって影響を受けるかどうかを調べるために、現在の研究で使用された。ここで説明する方法は、視覚単語認識に基づいていますが、聴覚モダリティに適応することができます。ただし、一般的な視覚字句決定実験における反応時間の有意な予測変数である一部の変数は、聴覚字句決定における応答待ち時間を予測しないか、または逆の効果を持つ可能性があります。例えば、フォニカル近傍は、これら2つのモダリティ5に対して反対の効果を有する:より大きなフォンジカル近傍を持つ単語は、視覚単語認識に容易な効果を示すが、応答遅延が長くなる聴覚字句決定6.
高齢者7における単語発見の困難は、一般的に意味表現8の内訳ではなく、フォロジカルワードフォームにアクセスするのが難しいと考えられている。しかし、AD研究は、主に意味的な減少9、10、11、12、13、14に焦点を当てています。意味的および正投影的要因が、認知機能低下の有無にかかわらず、老化における書かれた単語の認識にどのように影響するかを分断することが重要です。フォーム関連因子の影響は、若年成人よりも高齢者に顕著であり、MCIまたはAD3を持つ人々においては依然として顕著である。したがって、この方法論は、異なる集団間で精神辞書の特徴を明らかにし、年齢および神経病理学を伴うレキシコンの組織の変化を特定するのに役立つ。神経病理学の患者をテストする際の1つの懸念は、彼らがタスク関連の知識にアクセスするのが難しいかもしれないことです。しかし、字句的な意思決定タスクは、多くの患者が問題を示すワーキングメモリや他の複雑な認知スキルに負担をかけずに、単純なタスクです。AD および MCI 母集団に適している。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
このプロトコルは、北サボの病院地区の倫理委員会(IRB00006251)のガイドラインに従っています。
1. 参加者選考
- 正常または正常な視力を持ち、第二言語習得に関する特定の研究の質問に対処しない限り、テストされた言語のネイティブスピーカーである若いおよび高齢者を募集します。
- 健康な対照群の場合は、神経疾患または精神疾患の病歴を有する参加者を除外する。
- 臨床グループの場合、アルツハイマー病15または軽度認知障害と診断された個人を募集16,17.臨床医の判断に従って、インフォームドコンセントを与えることができる個人のみを募集します。正確な比較のために、臨床グループの年齢範囲と平均を健康な高齢者の参加者の年齢範囲と一致させなさい。
- 例えば、臨床認知症評価尺度18(CDR、0=認知症なし、0.5=非常に軽度、1=軽度、2=中等度、3=重症)を使用して、認知症の重症度を測定します。重度の認知症患者を除外する。重大度の評価にもかかわらず、指示に従うことができないと思われる参加者を含めしないでください。
2. 刺激構造
- 意味的変数や正投影/フォンロジカル変数が異なる集団の単語認識19に強い影響を与えるかどうかなど、特定の研究の質問に対処するために単語刺激を選択します。
- コーパス20から計算するか、刺激の意味的、フォンロジカル、および正投影特性を反映するデータベース21変数から取得し、単語を説明する理論的に動機付けられた予測変数として使用することができます認識反応時間または制御変数として。また、参加者の性別、年齢、教育年を説明または制御変数として使用します。
- 実際の単語に加えて、一致する擬似語のセットを作成します。擬似単語は、特定の単語の位置 (フォノタクティクス) に特定の文字を配置するための言語の規範に準拠しているという実の単語に似ています。フォノタクティクスを制御するために、例えば、いくつかの単語の最初の音が他の単語の2番目の音音をランダムに再結合することによって、擬似語を作成します。この組み換えによって実際の単語を生成するために起こったすべての項目と言語のフォノタクティクスに違反するすべての項目を削除します。
- 疑似語を、文字とビッグラム頻度の単語の長さの観点からターゲット語と一致します。これらの変数は、認識速度に影響を与えることが示されています。
注: 擬似単語の比率 (例えば、擬似単語の数に対する実際の単語の数) を操作すると、異なる結果が生じる可能性があり、刺激の可能性が低く、精度が低い22。 - 特定のタイプ(例えば、特定の屈折クラス)に属する次の刺激の参加者の期待を減らすために、実際の単語の充填剤のセットを追加します。例えば、目的の特性に応じて刺激を構築するために使用されるものよりも、異なる単語カテゴリ(例えば、屈折クラス)からそれらを選択します。
3. 実験設計
- 現在の文字の文字列を水平方向に、一度に1つずつ、約5°の視覚角度を下げる。
- 少数の試験を含む演習セッションを開始し、試行ごとに 1 つの単語を提示します (例えば、15 語と実際の実験に含まれていない 15 語) を使用します。これは、タスクと応答ボタンを参加者に理解させる必要があります。演習の試行中に参加者が正確に応答しない場合 (実際の単語の 「はい」ボタンと擬似単語の 「いいえ」ボタン) は、フィードバックを提供し、演習を再試行します。
- 実験をブロックに分割し、練習セッションの後とブロック間で短い休憩を与えます。これらの休憩は、参加者が目を休ませ、疲労を軽減することを可能にします。
- ブロックの最初のいくつかの試行はMCIまたはADの参加者によって無視されることがあるので、分析に含まれないいくつかのフィラー項目(例えば、犬、姉妹、年など)で各新しいブロックを開始します。
- 各参加者に対してランダムな順序で実験項目を提示します。
- 各試用版は、500ミリ秒の固定マーク(例えば、a+記号)で開始し、その後に固定(例えば、500ミリ秒)または可変時間(例えば、500-800ミリ秒)の空白画面が続きます。
- 空白の画面の直後に、1,500 ミリ秒または参加者が応答するまで、文字文字列 (単語または擬似単語) を表示します。
- 応答が行われた後、または単語の開始から 1,500 ミリ秒後 (どちらが最初に来るか) の後、試用版の最初から 3000 ミリ秒が経過するまで、再び空白の画面で続行します。
- 実験のすべての項目が表示されるまで、このシーケンスを繰り返します。
注:刺激間の遅延の時間は、例として機能します。変更すると、結果のパターンに影響を与える可能性があります。
4. 実験手順
- 通常点灯している部屋で、約80cmの視野距離でコンピュータモニタの前に参加者を配置します。
- 画面上の文字の文字列が実際の単語であるかどうかを可能な限り迅速かつ正確に決定するように参加者に指示します。擬似単語)、または各手の人差し指を使用します。
注: 参加者は指示に従ってパフォーマンスを最適化しようとします。したがって、彼らの応答は、精度上の速度を強調することによって影響を受けるか、またはその逆23.
5. Rの混合効果モデルを用したデータの分析
注: 分析を実行するために、多くの異なる統計プログラムを使用できます。このセクションでは、R24のデータを分析する手順について説明します。
- プレゼンテーションプログラムの出力ファイル(例えば、E-Studioソフトウェア)から、各トライアルでミリ秒単位で測定された反応時間(RT)を取得します。
- パッケージlme428およびlmerTest29をインストールします。関数ライブラリまたは必須のパッケージを添付します。
- read.table関数を使用してデータを R にインポートします。
- RTデータの分布は通常高度に歪んでいるため、MASSパッケージ25のボックスコックス関数を使用した変換の必要性を確認してください。
>ライブラリ (MASS)
> ボックスコックス (RT ~ Expnanatory_変数、 データ = データ)
注: boxcox関数によって生成されるグラフは、boxcox 変換パラメータの 95% の信頼区間を示しています。この間隔内にあるラムダ値に応じて、必要な変換を選択できます(例えば、λ=1(逆変換))、λ=0(対数変換)、λ=1/2(平方根変換)、λ=1/3(立方体ルート変換)。- これらの変換は、生のRTよりも字句決定実験における反応時間に対してより正規的な分布を提供する傾向があるため、反転変換されたRT(例えば-1000/RT)またはRTのバイナリ対数(例えば、log2(RT))を使用してRT値を変換します。26.
- あるいは、正規分布に依存せず、堅牢な線形混合効果モデルに適合する統計的手法を使用し、外れ値またはその他の汚染源がほとんど影響を及ぼさない推定値を提供する 27.
- 反応時間分析は通常、正確な応答に対して行われるため、参加者の反応が間違っていた試験(実際の単語に対する「ノー」の応答)と省略を除外します。
- また、疑似語と充填剤に関する特定の仮説がない限り、回答を除外します。
- 通常、参加者が以前の刺激に応答するのが遅すぎたこと、または刺激を読む前に誤って応答ボタンを押したことを示しているため、応答時間が 300 ミリ秒より速い試行を除外します。
- 結果メジャーとしてRTを識別し、対象、項目、および試用版をランダム効果として識別する基本的な線形混合効果モデルを構築します。値の大きなセット(母集団)から値がランダムにサンプリングされる変数は、ランダム効果として含まれており、レベル数が少ない変数、またはすべてのレベルがデータに含まれる変数は固定効果です。フォームにランダムな効果を追加します(1 |被験者)は、ランダム効果のそれぞれに対するランダムインターセプトを推定するために。
> g1 = lmer (RT ~ (1 |件名) + (1 |アイテム) + (1 |トライアル)、データ=あなたのデータ)
> サマリー (g1) - 理論的に動機付けられた順序で説明変数を追加します。たとえば、単語の基本周波数を固定効果として追加します。ベースやサーフェスの頻度などの一部の変数には Zipfian 分布があるので、対数変換など、ガウス分布の形状を大きくなります。
> g2 = lmer (RT ~ ログ(ベース周波数 + 1) + (1 |件名) + (1 |アイテム) + (1 |トライアル)、データ=あなたのデータ)
> サマリー (g2) - 各予測変数(BaseFrequencyなど)を追加すると、予測変数のないモデルと比較してモデルの予測力が大幅に向上した場合は、Anova 関数で確認してください。
>アノバ (g1, g2)- 単純なモデルよりも新しいモデルの適合度に大きな違いがない場合は、予測変数が少ない最も単純なモデルを優先します。また、各モデルの赤池情報基準(AIC)30を確認してください。AIC は、統計モデルが最大尤度に応じて一連のデータにどの程度適合するかの尺度です。値を小さくすると、データ31に対する適合値が適しています。
> AIC (g1);AIC (G2)
- 単純なモデルよりも新しいモデルの適合度に大きな違いがない場合は、予測変数が少ない最も単純なモデルを優先します。また、各モデルの赤池情報基準(AIC)30を確認してください。AIC は、統計モデルが最大尤度に応じて一連のデータにどの程度適合するかの尺度です。値を小さくすると、データ31に対する適合値が適しています。
- 手順 5.7 を繰り返します。そして5.8。表1に示す他の説明変数を、理論的に動機付けられた順序で1つずつ追加し、モデルの予測力を大幅に向上させる変数のみを保持する。可変刺激発症非同期が使用された場合は、モデルに固定効果変数として含めます。
- 予測変数間の理論的に動機付けられた相互作用を確認します。たとえば、年齢によって基本周波数のログを交互作用の用語を追加します。
> g3 = lmer (RT ~ ログ(ベース周波数 + 1) + 年齢 + ログ (ベース周波数 + 1) : 年齢 + (1 |件名) + (1 |アイテム) + (1 |トライアル)、データ=あなたのデータ)
注: 予測変数は、別の変数との相互作用の項として有意であるが、メイン予測変数としては有意ではない可能性があります。この場合、この予測変数をモデルから削除しないでください(主効果としても含めます)。 - 変数名の前に "1 +" を含めて予測変数に参加者別のランダム勾配32を追加し、"|件名", 例えば, (1 + ログ(ベース周波数 + 1) |被験者)、参加者の応答時間は、異なる方法で単語の字句特性によって影響を受ける可能性があるためです。
注: 連続予測変数が多数ある場合、ランダム勾配モデルは分散と共分散を正確に推定するために大量のデータを必要とするため、それらすべてがランダムな勾配を持つことを許可することは非現実的です33,34.最大モデルが収束しない場合 (つまり、正常に計算する場合)、モデル33を簡略化します。または、ベイズバージョンのマルチレベルモデリング35を実装します。 - 各参加者グループの分析を個別に実行します。または、固定効果予測変数としてグループを使用して、すべてのデータに対して分析を実行し、有意な予測変数によるグループの相互作用をテストします。
> g4 = lmer (RT~ log(ベース周波数 + 1) + 年齢 + ログ (ベース周波数 + 1) : 年齢 + グループ + ログ (ベース周波数 + 1) : グループ + (1 + ログ (ベース周波数 + 1) |件名) + (1 |アイテム) + (1 |トライアル)、データ=あなたのデータ) - 可能な外れ値の影響を取り除くために、絶対標準化された残差を超えるデータポイント (例えば、2.5 標準偏差26)を除外し、モデルを新しいデータ(yourdata2)に再適合します。
> yourdata2 = あなたのデータ [abs(スケール(レジド(g4))) < 2.5,
> g5 = lmer (RT~ log(ベース周波数 + 1) + 年齢 + ログ (ベース周波数 + 1) : 年齢 + グループ + ログ (ベース周波数 + 1) : グループ + (1 + ログ (ベース周波数 +1) |件名) + (1 |アイテム) + (1 |トライアル)、データ=あなたのデータ2)
注: すべての極端なデータ ポイントがモデルにとって有害であるわけではありません。 - 探索的(データドリブン)解析の場合は、後方段階的回帰を使用します: 初期分析にすべての変数を含め、モデルから重要でない変数を段階的に削除します。または、パッケージlmerTest29によって提供されるステップ関数を使用して、非有意でない予測変数を排除する自動手順を使用します。
>ステップ (g4)
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
表 1は、固定効果予測変数として分析に含まれる 3 つの異なるソース (コーパス、辞書、およびテスト項目のパイロット テスト) から取得された変数のリストを示しています。これらの変数の多くは、単語認識速度に影響を与えると以前に報告されています。
| コーパス： | |
| 基本周波数 | 単語がコーパスに出現する回数(例えば、子供と子供)。 |
| ビッグラム周波数 | 後続の 2 つの文字のすべての組み合わせがコーパスで発生する平均回数 |
| 形態学的ファミリーサイズ | 形態を名詞と共有する派生語と複合語の数 |
| 形態学的家族頻度 | すべての形態学的家族の総括ベース周波数 |
| 擬似形態のファミリーサイズ | 「真の」形態学的家族だけでなく、彼らの正投影形式で形態学的家族を模倣する言葉も含み、それらが実際の形態素であるかどうか、したがって、正投影の重複を表すが、必ずしも意味的な重複を表す |
| 擬似形態族頻度 | すべての疑似形態族の総括ベース周波数 |
| 表面周波数 | 単語がコーパスにまったく同じ形式で表示される回数 (子など)。 |
| トライグラム周波数 | 後続の 3 つの文字のすべての組み合わせがコーパスで発生する平均回数 |
| 辞書： | |
| 1のハミング距離 | 同じ長さの単語の数が、任意の単一の文字36でのみ異なる |
| 長さ | 文字数 |
| 正投影近傍密度 | 同じ長さで、最初の文字37,38でのみ異なる単語の数 |
| パイロット テスト: | 16人の参加者は、次のパラメータに関する各ターゲット単語の推定値を6ポイント(0~5)で示した。 |
| 適切な名前として | その単語が適切な名前として見られる頻度 (例えば、ベーカーのような姓として)39 |
| 具体 | 単語が具体的な実体を参照する直接性40 |
| 親しみやすさの評価 | その言葉がどれほど身近であるか |
| イメージ可能性 | 言葉が精神的なイメージを引き出す使いやすさとスピード40 |
表 1.3つの異なるソース(コーパス、辞書、およびテスト項目のパイロットテスト)から得られた固定効果予測変数として混合効果分析に含まれる変数。
説明変数の数は、研究の質問やデータベース、辞書、またはコーパスからの変数の可用性に応じて、より小さくまたは大きくすることができます。ただし、予測変数として多数の字句フィーチャを含めると、予測変数が互いに相関し、結果メジャーに同様の影響を及ぼす場合に、予測変数間の共線性の形で合併症が発生する可能性があります。例えば、単語の具体性とイメージ性は、高度に相関している可能性があります。線形回帰解析の仮定は、予測変数が互いに独立していることである。ただし、モデルに変数が追加されるにつれて、一部の変数が互いに独立していないリスクが高まります。変数間の相関関係が高いほど、この共線性はモデル41に対してより有害である可能性があります。共線性の潜在的な結果は、一部の予測変数の有意水準が偽りである可能性があることです。
予測変数間の共線性の影響を避けるために、予測変数の数を減らす必要があります。2 つの予測変数が共線性を示す場合は、そのうちの 1 つだけをモデルに含めるべきです。ただし、2 つ以上の予測変数が共線性を示す場合、1 つを除くすべてを除外すると、分散が失われる可能性があります。一方で、研究者は、実験設計に既に含まれる説明変数の数を減らし、仮説が駆動される(理論的に動機づけられた)ものだけを残し、研究者が間の仮説をテストすることを可能にする可能性があります。異なる人口。一方、既存の理論がない場合があるため、主成分分析 (PCA)41を使用して、同様の効果を持つ予測変数をコンポーネントに組み合わせることで予測変数の数を減らすのが妥当です。この分析では、予測空間が直交し、新しい空間の主要成分が予測変数として使用されました(118-126ページの41の次の手順)。PCA を使用する場合の欠点の 1 つは、コンポーネントが複数の予測変数の効果をディセンドすることが困難になることがあります。それらはすべて同じ主成分に強い荷重を持って現れるかもしれません。
すべての語彙予測変数を 5 つの主要な構成要素に変換し、若年成人と高齢者の単語認識速度の違いについて調べた。しかし、若年成人のデータ(表3:PC1とPC4)では2つだけが有意であった。3つの主要コンポーネント(PC)は、高齢者コントロールモデル(表4)、MCI(表5)、およびAD(表6)を持つ個人のモデルにおいて有意な予測変数であった。
| PC2 | |
| ビッグラム・フリーク | -0.390 |
| 1のハミング距離 | -0.350 |
| 最後のトリグラム周波数。 | -0.330 |
| 近傍密度 | -0.320 |
| 長さ | -0.226 |
| 初期トリグラム周波数。 | -0.224 |
| 擬似ファミリサイズ(最終) | -0.124 |
| 擬似ファミリー周波数(最終) | -0.052 |
| ファミリー周波数(化合物) | -0.042 |
| ファミリーサイズ(化合物) | -0.039 |
| 家族の周波数(派生語) | -0.036から |
| ファミリ サイズ (派生語) | -0.034 |
| サーフェスの周波数。 | -0.023から |
| ベース・フリーク | -0.008 |
| 擬似ファミリ サイズ (初期) | 0.07000 |
| 親しみやすさの評価 | 0.093年 |
| 適切な名前として | 0.102 |
| 擬似ファミリー周波数(イニシャル) | 0.113 |
| 具体 | 0.275 |
| イメージ可能性 | 0.296件 |
| 擬似ファミリ サイズ (内部) | 0.296件 |
| 擬似ファミリー周波数(内部) | 0.316 |
表 2.PC2 の回転マトリックス。荷重は、各変数がコンポーネントに寄与する度合いです。このテーブルは Cortex3からの許可を受けて変更されました。
表 2は、PC2 での読み込みの字句変数を示しています。PC2の最も強い正の負荷は内部位置の重なりのための擬似家族のサイズおよび頻度だった。最も強い負の負荷は、ビッグラム周波数、1のハミング距離、最終三角周波数、正投影近傍密度であった。これらの変数はすべて主に意味ベースではなくフォームベースであるため、PC2 は単語のフォームベースの側面が単語認識速度に与える影響を反映していると解釈されます。
表3は、若年成人(31名)に対する混合効果分析の結果を示す。PC2は若年成人の応答時間の有意な予測変数ではなかったため(表3参照)、これらのフォームベースの変数は、ADやMCIを含む高齢者の反応時間に対する影響が少ないことを示しているようです。.
| 固定効果 | 推定 | Std.Error | t-値 | p-値 |
| (インターセプト) | -1.31 | 0.05 | -26.36 | <0.001 |
| アロモルフ | -0.034 | 0.015年 | -2.3 | 0.024 |
| パソコン1 | -0.021 | 0.004 | -5.179 | <0.001 |
| PC4 | -0.042 | 0.008 | -5.224ドル | <0.001 |
| ランダム効果 | ||||
| グループ | 名前 | 分散 | Std.Dev. | コアー |
| 項目 | (インターセプト) | 0.009 | 0.095年 | |
| 件名 | (インターセプト) | 0.032 | 0.179 | |
| パソコン1 | 4.765e-05 | 0.007 | 0.08円 | |
| 残留 | 0.005 | 0.235年 | ||
| obs. 2862;アイテム, 99;件名, 31 | ||||
表 3.若年成人向けの実際の単語に対して引き出される応答待ち時間に適合する混合モデルの推定係数、標準誤差、および t 値と p 値。このテーブルは Cortex3からの許可を受けて変更されました。
固定効果変数の推定値は、この固定効果の値が変更された場合に従属変数 (RT) が増加または減少する量として解釈できます。推定値が負の場合、変数は反応時間と負の相関関係を持つ(変数が高いほど、反応時間が小さい(速い)ということです)。予測変数を有意にするには、通常、t値は -2 より小さいか 2 より大きい必要があります。
表4、表5、表6は、高齢者コントロール(17名)、MCI(24名)、およびAD(21名)の混合効果分析の結果を示しています。
3つの高齢者グループの間に興味深い違いが浮かび上がった:高齢者コントロールにおける単語認識の速度を著しく予測した教育(表4;教育の推定値は陰性であり、教育の年数が多いことを意味するより速い反応時間に関連付けられている)とMCIを持つ個人(表5)が、ADを持つ個人ではない(表6;教育は重要な予測変数ではなかったため、モデルから削除されました)、これらのグループ間の教育の年数のばらつきに明らかな差はなかったが(AD:平均10.8年、SD 4.2、範囲5-19;MCI: 平均 10.4 年, SD 3.5, 範囲 6 から 17;高齢者コントロール:平均13.7年、SD 3.7、範囲8-20)。
| 固定効果 | 推定 | Std.Error | t-値 | p-値 |
| (インターセプト) | -0.72 | 0.157 | -4.574ドル | <0.001 |
| アロモルフ | -0.022 | 0.01 | -2.14 | 0.035年 |
| パソコン1 | -0.011 | 0.003 | -4.122 | <0.001 |
| PC2 | -0.011 | 0.005 | -2.223 | 0.029年 |
| PC4 | -0.02 | 0.006 | -3.687 | <0.001 |
| 教育 | -0.024 | 0.011年 | -237年 | 0.041 |
| ランダム効果 | ||||
| グループ | 名前 | 分散 | Std.Dev. | |
| 項目 | (インターセプト) | 0.003 | 0.057 | |
| 件名 | (インターセプト) | 0.026年 | 0.16分 | |
| 残留 | 0.033 | 0.181円 | ||
| obs. 1595;アイテム, 99;件名, 17 | ||||
表 4.高齢者コントロールの実際の単語に対して引き出される応答待ち時間に適合する混合モデルの推定係数、標準誤差、および t 値と p 値。このテーブルは Cortex3からの許可を受けて変更されました。
| 固定効果 | 推定 | Std.Error | t-値 | p-値 |
| (インターセプト) | -0.562 | 0.114 | -4.922年 | <0.001 |
| パソコン1 | -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 |
| 教育 | -0.039 | 0.01 | -3.708 | 0.001 |
| ランダム効果 | ||||
| グループ | 名前 | 分散 | Std.Dev. | |
| 項目 | (インターセプト) | 0.003 | 0.056年 | |
| 件名 | (インターセプト) | 0.03 | 0.174 | |
| 残留 | 0.061 | 0.248円 | ||
| obs. 2227;アイテム, 99;件名, 24 | ||||
表 5.MCI を持つ個人の実際の単語に対して引き出された応答待ち時間に適合する混合モデルの推定係数、標準誤差、および t 値と p 値。このテーブルは Cortex3からの許可を受けて変更されました。
| 固定効果 | 推定 | Std.Error | t-値 | p-値 |
| (インターセプト) | -0.876 | 0.051年 | -17.017 | <0.001 |
| アロモルフ | -0.018 | 0.009 | -2.008 | 0.048円 |
| パソコン1 | -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 |
| ランダム効果 | ||||
| グループ | 名前 | 分散 | Std.Dev. | コアー |
| 裁判 | (インターセプト) | 0.001 | 0.034年 | |
| 項目 | (インターセプト) | 0.002 | 0.049 | |
| 件名 | (インターセプト) | 0.045 | 0.212 | |
| パソコン1 | 4.138e-05 | 0.006 | 0.83円 | |
| 残留 | 0.026年 | 0.162 | ||
| 1879年のオブスの数;アイテム, 99;件名, 21 | ||||
表 6.AD を持つ個人の実際の単語に対して引き出された応答待ち時間に適合する混合モデルの推定係数、標準誤差、および t 値と p 値。このテーブルは Cortex3からの許可を受けて変更されました。
ここで報告された研究は、単語に関連するステム同種の数が単語認識42、43の速度に影響を与えるかどうかという追加の質問に対処しました。ステムアモルフは、さまざまな言語的文脈にわたって単語のステムの異なる形式です。たとえば、英語では、足には足と足の 2 つの茎の同じ形があります。言い換えれば、ステムという単語は、単数形か複数形かに応じて変化します。ここで説明した研究は、英語に比べて茎の変化がかなり複雑なフィンランド語の話者をテストしました。より大きな茎同一形を持つ単語(すなわち、茎に多くの変化を伴う単語)は、すべてのグループでより速い反応時間を引き出した(表3、表4、表6;同種形態の数の推定値は陰性であった、単語が持っていた同数形の数が多いほど、それが引き起こした反応時間が速くなります(表5;同種子の数は有意な予測変数ではなかったため、モデルから削除されました)。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
本研究では、言語産生を必要としない簡単な言語タスクを用いて、神経学的に健康な若年成人や高齢者、ならびにアルツハイマー病の人々における単語認識に対する様々な字句変数の影響を調査した。または軽度の認知障害。「高齢者」の募集に使用される年齢層は、特定の研究の対象によって異なります。しかし、健康な高齢者グループの範囲は、同じ研究のために募集されたMCIまたはADを持つ個人のための年齢範囲と分布を可能な限り近くに一致させるべきです。
予測変数間の共線性を避けるために、字句変数を主成分に直交し、反応時間が従属変数として機能する混合効果モデルに追加されました。単純な字句決定実験と混合効果回帰分析の組み合わせは、ADを有する患者の言語の難しさは、セマンティックシステムの変化だけでなく、依存度の増加に起因する可能性があるという新しい発見につながった。単語フォームに。興味深いことに、軽度の認知障害と認知的に健康な高齢者の人々のために同様のパターンが見つかりました。これは、言語処理のフォームベースの側面への依存度の増加が、書かれた単語認識における一般的な年齢に関連する変化の一部である可能性があることを示唆している。
因子計画では、研究者は伝統的に、関心のある変数に応じて異なる単語の2つ以上のセットを作成し、処理速度に影響を与える可能性のある他の語彙特性の数にこれらの単語のセットを一致させます。仮定は、これら 2 つの単語のセットの間で取得される動作の違いは、操作された (つまり、一致しない) 変数に起因する必要があります。このタイプのデザインの問題の 1 つは、複数の変数で単語のセットを一致させるのが非常に難しいことです。もう 1 つの問題は、単語セットが一致しなかったり、さまざまな理由で一致しなかったり、一致しなかったりする可能性のある重要な変数が存在する可能性があることです。また、因子計画は、連続的な現象を二分要因であるかのように扱います。行動データの統計分析のための混合効果モデルの使用は、研究者がこれらの変数に従って単語や単語のリストを一致させる必要なしに説明変数として潜在的に重要な字句変数を含めることができます。混合効果モデルでは、変数のサブジェクト(参加者コード/番号)、項目(実験刺激)、トライアル(試用回数)がランダム効果として追加されます。被験者が全体的な反応時間が異なると仮定されているため、ランダムインターセプトが含まれていました(すなわち、一部の参加者は、ボード全体で自然に遅いか、または速いです)。
この方法論は、他のタイプの質問や他の集団(例えば、多言語または失語症を持つ個人)に適用することができる。前者のグループでは、言語処理は単一言語と異なる場合があるため、混合言語の母集団を採用する場合は、採用を 1 つのタイプのグループに制限するか、後で結果を比較して結果を比較して、単一言語と異なる場合に考慮する必要があります。言語の背景が結果に影響を与えました。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者は何も開示していない。
Acknowledgments
我々は、ここで報告されたデータ収集と処理への貢献に対して、ミンナ・レートネン、トゥオモ・ヘニネン、メルジャ・ハリカイネン、ヒルッカ・ソイニンに感謝します。データ収集は、EU、交付契約第6010055号によって可能なVPH認知症研究によってサポートされました。
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).
