مقالة منهجية

مهمة القرار المعجمي لدراسة الاعتراف الكتابي بالكلمات في البالغين الذين يعانون من الخرف أو الاختلال المعرفي الخفيف أو غير المنضوين

DOI:

10.3791/59753

⸱

يونيو 25, 2019

 ,  ,  , 
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

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

توضح هذه المقالة كيفية تنفيذ تجربة قرار معجمي بسيط لتقييم الاعتراف بالكلمات المكتوبة في المشاركين الأصحاء عصبياً وفي الأفراد الذين يعانون من الخرف والتدهور المعرفي. كما نقدم وصفا مفصلا لتحليل وقت رد الفعل باستخدام تحليل المكونات الرئيسية (PCA) ونمذجة الآثار المختلطة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

كبار السن أبطأ في التعرف على الأشياء البصرية من البالغين الأصغر سنا. وينطبق الشيء نفسه على الاعتراف بأن سلسلة أحرف هي كلمة حقيقية. الأشخاص الذين يعانون من مرض الزهايمر (AD) أو ضعف الإدراك الخفيف (MCI) تظهر استجابات أطول في الاعتراف كلمة مكتوبة من الضوابط المسنين. على الرغم من الاتجاه العام نحو الاعتراف أبطأ في الشيخوخة والاضطرابات العصبية المعرفية، بعض خصائص الكلمات تؤثر على سرعة التعرف على كلمة بغض النظر عن العمر أو علم الأمراض العصبية (على سبيل المثال، تردد كلمة استخدام). نحن نقدم هنا بروتوكول لدراسة تأثير الخصائص اللغوية على أوقات استجابة التعرف على الكلمات في تجربة قرار معجمي بسيط تدار للبالغين الأصغر سنا وكبار السن والأشخاص الذين يعانون من MCI أو AD. في هذه التجربة، يطلب من المشاركين أن يقرروا بأسرع وبدقة قدر الإمكان ما إذا كانت سلسلة أحرف معينة هي كلمة فعلية أم لا. كما نوصف نماذج الآثار المختلطة وتحليل المكونات الرئيسية التي يمكن استخدامها للكشف عن تأثير أنواع مختلفة من المتغيرات اللغوية أو الخصائص الفردية للمشاركين على سرعة التعرف على الكلمات.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يتم تخزين الكلمات في المعجم العقلي في شبكة مترابطة للغاية. قد تعكس الاتصالات بين الكلمات الخصائص المشتركة، مثل التشابه الدلالي (مثل الكلب والقط)، أو تشابه الشكل (الكلب والضباب)، أو تكرار الحدوث المشترك في الاستخدام اللغوي الشائع (مثل الكلب والكلب و المقود). النظريات المعرفية للغة، مثل النظريةالمستندة إلى الاستخدام 1، يجادل بأن كل لقاء كلمة من قبل مستخدم لغة له تأثير على التمثيل العقلي للكلمة. وفقا ل نظرية نموذجيّة, يتألّف كلمة تمثيل كثير نماذج, أيّ يكون بنيت فوق من رموز فرديّة من لغة إستعمال وأيّ يمثّل التباين يتواجد ل يعطى صنف. تردد استخدام2 تأثيرات التمثيلات في الذاكرة من خلال المساهمة في قوة نموذج1.

سرعة التعرف على الكلمات يمكن أن تكشف عن خصائص المعجم العقلي. ومن النماذج التجريبية الشائعة الاستخدام لقياس سرعة التعرف على الكلمات مهمة القرار اللغوي. في هذه المهمة، يتم تقديم المشاركين مع سلاسل الأحرف على جهاز عرض، واحد في وقت واحد. يتم توجيههم لتقرير بأسرع وقت ممكن ما إذا كانت سلسلة الحروف على الشاشة هي كلمة حقيقية أم لا عن طريق الضغط على الزر المقابل.

من خلال دراسة أوقات رد الفعل للكلمات الحقيقية، يمكن للباحثين معالجة عدد من الأسئلة الهامة حول معالجة اللغة. على سبيل المثال، تحديد العوامل التي تجعل التعرف بشكل أسرع يمكن اختبار الفرضيات حول بنية المعجم العقلي والكشف عن بنيته. وعلاوة على ذلك، يمكن أن تساعدنا مقارنات الأداء عبر مجموعات مختلفة من المشاركين على فهم تأثير أنواع مختلفة من الخبرة اللغوية، أو، في حالة الشيخوخة أو الأمراض العصبية (على سبيل المثال، مرض الزهايمر)، ودور المعرفي انخفاض.

وثمة عوامل (مثل تواتر الاستخدام) لها تأثير أكبر على التعرف على الكلمات من العوامل الأخرى (مثل طول الكلمة). مع تقدم العمر، قد تتغير الطريقة التي يتعرف بها الناس على الكلمات المكتوبة3،4. يميل البالغون الأصغر سناً إلى الاعتماد بشكل كبير على الجوانب الدلالية (القائمة على المعنى) للكلمة، مثل عدد المركبات (مثل بلدغ)أو الكلمات المشتقة (مثل الكلب)تشارك جوانب الشكل والمعنى مع الكلمة المستهدفة (في هذه الحالة، الكلب). التعرف على الكلمات لكبار السن يبدو أن تتأثر أكثر بالجوانب المستندة إلى النموذج، مثل التردد الذي يحدث فيه حرفان لاحقان في اللغة (على سبيل المثال، يحدث تركيبة الحروف في كثير من الأحيان في الكلمات الإنجليزية من الجمع بين الحروف sk).

لتحديد العوامل التي تؤثر على سرعة التعرف على الكلمة عبر مجموعات مختلفة، يمكن للباحث التعامل مع متغيرات معينة في مجموعة التحفيز ومن ثم اختبار قوة هذه المتغيرات للتنبؤ بسرعة التعرف على الكلمات. على سبيل المثال، لاختبار ما إذا كان التعرف على الكلمات مدفوع بعوامل دلالية أو مستندة إلى الشكل، يجب أن تتضمن مجموعة التحفيز متغيرات تعكس درجة توصيل كلمة ما بجيرانها الدلاليين في المعجم الذهني أو اتصالها بكلمات أخرى التي تشترك في جزء من شكلها.

وقد استخدمت هذه الطريقة في الدراسة الحالية للتحقيق في ما إذا كانت سرعة التعرف على كلمة تتأثر عوامل مختلفة في البالغين الأصغر سنا وكبار السن وفي الأفراد الذين يعانون من مرض الزهايمر (AD) أو ضعف الإدراك الخفيف (MCI)3. تستند الطريقة الموصوفة هنا إلى التعرف على الكلمات المرئية ولكن يمكن تكييفها مع طريقة السمع. ومع ذلك، فإن بعض المتغيرات التي هي تنبؤات هامة لأوقات رد الفعل في تجربة قرار معجمي بصري نموذجي قد لا تتنبأ بتأخر الاستجابة في قرار معجمي سمعي أو قد يكون لها تأثير عكسي. على سبيل المثال، حي الصوت له تأثير عكسيعبر هاتين الطريقتين 5: الكلمات مع أحياء أكبر الصوتية تظهر تأثير ميسر على التعرف على الكلمة البصرية ولكن يؤدي إلى استجابة أطول latencies في القرار السمعي ةيلاقلا

ويعزى عموما صعوبات تقصي الكلمات في كبار السن7 إلى صعوبة الوصول إلى شكل الكلمة الصوتية بدلا من انهيار التمثيل الدلالي8. ومع ذلك، ركزت البحوث الإعلانية في المقام الأول على الانخفاضات الدلالية9،10،11،12،13،14. من المهم فصل كيفية تأثير العوامل الدلالية والتقويمية على الاعتراف بالكلمات المكتوبة في الشيخوخة مع وبدون التدهور المعرفي. تأثير العوامل المرتبطة بالنموذج هو أكثر وضوحا في كبار السن مما كانت عليه في البالغين الأصغر سنا، وأنها لا تزال كبيرة في الأشخاص الذين يعانون من MCI أو AD3. وبالتالي، يمكن لهذه المنهجية أن تساعدنا على الكشف عن ملامح المعجم العقلي عبر مختلف السكان وتحديد التغيرات في تنظيم المعجم مع العمر وعلم الأمراض العصبية. أحد الشواغل عند اختبار المرضى الذين يعانون من أمراض الأعصاب هو أنهم قد يواجهون صعوبات في الوصول إلى المعرفة المتعلقة بالمهمة. ومع ذلك، فإن مهمة القرار اللغوي هي مهمة بسيطة مع عدم وجود عبء على الذاكرة العاملة أو غيرها من المهارات المعرفية المعقدة التي تظهر العديد من المرضى مشاكل مع. وقد اعتُبر ذلك مناسباً للسكان في الألف من السكان وMCI.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ويتبع البروتوكول المبادئ التوجيهية للجنة الأخلاقيات في منطقة مستشفى سافو الشمالية (IRB00006251).

1- فحص المشاركين

  1. تجنيد البالغين الأصغر سنا وكبار السن الذين لديهم رؤية طبيعية أو مصححة إلى طبيعية والناطقين باللغة الأصلية اختبار ما لم تعالج الدراسة أسئلة بحثية محددة فيما يتعلق اكتساب اللغة الثانية.
  2. بالنسبة لمجموعات التحكم الصحي، استبعاد المشاركين الذين لديهم تاريخ من الاضطرابات العصبية أو النفسية.
  3. للمجموعات السريرية, تجنيد الأفراد الذين تم تشخيص مرض الزهايمر15 أو ضعف إدراكي خفيف16,17. تجنيد الأفراد فقط الذين هم قادرون على إعطاء موافقة مستنيرة، وفقا لحكم الطبيب. لإجراء مقارنات دقيقة، تطابق الفئة العمرية والوسط من المجموعات السريرية مع أن من المشاركين الكبار الأصحاء كبار السن.
  4. قياس شدة الخرف، على سبيل المثال، باستخدام مقياس تصنيف الخرف السريري18 (CDR، 0+no الخرف، 0.5=معتدل جدا، 1 = معتدل، 2 = معتدل، 3 = شديدة). استبعاد المرضى الذين يعانون من الخرف الشديد لأن المهمة قد تكون صعبة جدا بالنسبة لهم. لا تشمل المشاركين الذين يبدو غير قادرين على اتباع التعليمات، على الرغم من تصنيف شدتها.

2- بناء الحوافز

  1. حدد محفزات الكلمات لمعالجة أسئلة بحثية محددة، على سبيل المثال، ما إذا كانت المتغيرات الدلالية أو المتغيرات الأرثوبية/الصوتية لها تأثير أقوى على التعرف على الكلمات19 في مجموعات مختلفة.
  2. حساب من مجموعة20 أو استرداد من قاعدة بيانات21 متغيرات تعكس الخصائص الدلالية، والصوتية، والتقويمية للمحفزات بحيث يمكن استخدامها إما كتنبؤات دوافع نظرية تشرح الكلمة مرات رد فعل التعرف أو كمتغيرات التحكم. أيضاً، استخدم نوع الجنس والعمر وسنوات التعليم كمتغيرات توضيحية أو تحكمية.
  3. بالإضافة إلى الكلمات الحقيقية، بناء مجموعة من الكلمات الزائفة المتطابقة. تشبه الكلمات الزائفة الكلمات الحقيقية من حيث أنها تتوافق مع معايير اللغة لوضع بعض الحروف في مواقف معينة من الكلمات (الفونوتكتيكيات). من أجل السيطرة على الفونوتيك، إنشاء الكلمات الزائفة، على سبيل المثال، عن طريق إعادة تجميع المقطعات الأولى عشوائيا من بعض الكلمات مع المقطعالثاني من كلمات أخرى. إزالة أي العناصر التي حدث لإنتاج كلمة حقيقية من خلال هذا إعادة الدمج وجميع العناصر التي تنتهك الفونوتيكس اللغة.
  4. تطابق الكلمات الزائفة مع الكلمات المستهدفة من حيث طول الكلمة في الحروف وتردد بيغرام، وهو متوسط عدد المرات التي تحدث فيها جميع تركيبات من حرفين لاحقة في مجموعة نصية. وقد ثبت أن هذه المتغيرات تؤثر على سرعة التعرف.
    ملاحظة: قد يؤدي التلاعب بنسبة الكلمات الزائفة (مثل عدد الكلمات الحقيقية بالنسبة لعدد الكلمات الزائفة) إلى نتائج مختلفة، مع الاستجابة للمحفزات الأقل احتمالاً إلى أبطأ وأقل دقة22.
  5. إضافة مجموعة من الحشو كلمة حقيقية من أجل تقليل المتوقع المشارك من التحفيز المقبل التي تنتمي إلى نوع معين (على سبيل المثال، فئة معينة الإنفائية). اختيارها، على سبيل المثال، من فئات الكلمات المختلفة (مثل الطبقات المنفّزة) من تلك المستخدمة في بناء المحفزات وفقًا لخصائص الفائدة.

3. التصميم التجريبي

  1. سلاسل الحرف الحالية أفقيا، واحد في وقت واحد، subtending زاوية بصرية من حوالي 5 درجة.
  2. بدء التجربة بدورة تدريبية تتضمن عدداً صغيراً من التجارب، مع تقديم كلمة واحدة لكل تجربة (على سبيل المثال، 15 كلمة و15 كلمة زائفة غير مدرجة في التجربة الفعلية). وهذا لتعريف المشارك بالمهمة وأزرار الاستجابة. إذا كان المشارك لا يستجيب بدقة ('نعم' زر لكلمات حقيقية و 'لا' زر للكلمات الزائفة) أثناء التجارب الممارسة، تقديم ردود الفعل وإعادة الدورة الممارسة.
  3. تقسيم التجربة إلى كتل وإعطاء فترات راحة قصيرة بعد جلسة الممارسة وبين الكتل. هذه الفواصل تسمح للمشاركين للراحة عيونهم وسوف تقلل من التعب.
  4. بدء كل كتلة جديدة مع عدد قليل من العناصر حشو التي لن تكون مدرجة في التحليل (على سبيل المثال، الاسم المشترك مثل الكلب، شقيقة، سنة) لأن المحاكمات القليلة الأولى من كتلة يتم تجاهلها في بعض الأحيان من قبل المشاركين مع MCI أو AD.
  5. تقديم العناصر التجريبية في ترتيب عشوائي لكل مشارك.
  6. ابدأ كل تجربة بعلامة تثبيت (على سبيل المثال، علامة +) تظهر في وسط الشاشة لمدة 500 مللي ثانية، تليها شاشة فارغة لـ ثابت (على سبيل المثال، 500 مللي ثانية) أو مقدار متغير من الوقت (على سبيل المثال، 500-800 مللي ثانية).
  7. مباشرة بعد الشاشة الفارغة، تقديم سلسلة أحرف (كلمة أو كلمة زائفة) ل1500 مللي ثانية أو حتى يستجيب المشارك.
  8. بعد إجراء استجابة أو بعد 1500 مللي ثانية من بداية الكلمة (أيهما يأتي أولاً)، اتبع مرة أخرى مع شاشة فارغة حتى 3000 ms قد مرت من بداية المحاكمة.
  9. كرر هذا التسلسل حتى يتم عرض كافة العناصر في التجربة.
    ملاحظة: أوقات التأخير بين المحفزات بمثابة مثال. قد يؤثر تغييرها على نمط النتائج.

4- الإجراء التجريبي

  1. ضع المشارك أمام شاشة الكمبيوتر على مسافة مشاهدة تبلغ حوالي 80 سم في غرفة مضاءة بشكل طبيعي.
  2. توجيه المشارك أن يقرر بأسرع وبدقة قدر الإمكان ما إذا كانت سلسلة الحروف على الشاشة هي كلمة حقيقية أم لا عن طريق الضغط على أحد زرين مناظرين بيدهم المهيمنة (على سبيل المثال، السبابة للكلمات الحقيقية والاصبع الأوسط ل pseudo-الكلمات) أو باستخدام السبابة من كل يد.
    ملاحظة: يحاول المشاركون تحسين أدائهم بما يتماشى مع الإرشادات. وبالتالي، سوف تتأثر ردودهم من خلال التأكيد على سرعة أكثر من الدقة أو العكسبالعكس 23.

5. تحليل البيانات مع نموذج الآثار المختلطة في R

ملاحظة: يمكن استخدام العديد من البرامج الإحصائية المختلفة لتنفيذ التحليل. يصف هذا القسم خطوات تحليل البيانات في R24.

  1. الحصول على وقت رد الفعل (RT) تقاس بالمللي ثانية لكل محاكمة من ملف الإخراج لبرنامج العرض التقديمي (على سبيل المثال، E-Studio البرمجيات).
  2. تثبيت حزم lme428 و lmerTest29. إرفاق حزم مع مكتبة الوظائف أو تتطلب.
  3. استيراد البيانات إلى R باستخدام، على سبيل المثال، وظيفة read.table.
  4. تحقق من الحاجة إلى التحويل، على سبيل المثال، مع وظيفة boxcox من حزمة MASS 25، كما عادة ما يكون توزيع البيانات RT منحرف للغاية.
    > المكتبة (MASS)
    > boxcox (RT ~ Expnanatory_variable، البيانات = البيانات الخاصة بك)
    ملاحظة: يبين الرسم البياني الذي تنتجه الدالة boxcox فاصل ثقة 95% لمعلمة التحول boxcox. اعتماداً على قيم لامدا الموجودة في هذه الفترة، يمكن اختيار التحويل المطلوب، على سبيل المثال، λ=−1 (التحول العكسي)، وλ =0 (التحويل اللوغاريتمي)، وλ =1/2 (تحويل الجذر التربيعي)، وλ=1/3 (تحويل جذر المكعب).
    1. تحويل قيم الـ RT باستخدام RTs المحولة المقلوبة (على سبيل المثال، -1000/RT) أو اللوغاريتم الثنائي ة من RTs (مثل log2(RT)) حيث أن هذه التحولات تميل إلى توفير توزيعات أكثر طبيعية لأوقات التفاعل في تجارب القرار المعجمي من RTs الخام 26.
    2. وبدلاً من ذلك، استخدم أساليب إحصائية لا تعتمد على التوزيعات العادية وتناسب نماذج قوية من الآثار المختلطة الخطية وتقدم تقديرات لا يكون لها تأثير يذكر على القيم المتطرفة أو مصادر التلوث الأخرى27.
  5. وبما أن تحليل وقت رد الفعل يجري عادة على ردود دقيقة، فإن استبعاد التجارب التي كان رد المشاركين فيها غير صحيح (رد "لا" على الكلمات الحقيقية) فضلا عن الإغفالات.
    1. أيضا، استبعاد الردود على الكلمات الزائفة والحشو إلا إذا كانت هناك فرضيات محددة عنهم.
    2. استبعاد التجارب مع أوقات استجابة أسرع من 300 مللي ثانية لأنها تشير عادة إلى أن المشارك كان متأخراجدا جداً في الاستجابة لحافز سابق أو أنه أو أنها ضغطت بطريق الخطأ على زر الاستجابة قبل قراءة التحفيز.
  6. بناء نموذج خطي أساسي للتأثيرات المختلطة يحدد RT كمقياس للنتائج وموضوع ، عنصر، وتجريبي كتأثيرات عشوائية. لاحظ أن المتغيرات التي يتم أخذ عينات عشوائية من قيمها من مجموعة أكبر (مجموعة) من القيم يتم تضمينها كتأثيرات عشوائية ومتغيرات مع عدد صغير من المستويات أو التي يتم تضمين كافة المستويات في البيانات تأثيرات ثابتة. إضافة التأثيرات العشوائية في النموذج (1 | الموضوع) من أجل تقدير الاعتراضات العشوائية لكل من الآثار العشوائية.
    > g1 = lmer (RT ~ (1 | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = البيانات الخاصة بك)
    > ملخص (g1)
  7. إضافة متغيرات توضيحية في ترتيب دوافع نظرية. على سبيل المثال، إضافة تردد قاعدة الكلمات كتأثير ثابت. بعض المتغيرات، مثل قاعدة أو الترددات السطحية، وتوزع Zipfian، حتى إدراجها في النموذج مع التحول الذي يؤدي إلى شكل توزيع أكثر غوسيا، على سبيل المثال، التحول اللوغاريتمي.
    > g2 = lmer (RT ~ سجل (تردد قاعدة + 1) + (1 | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = البيانات الخاصة بك)
    > ملخص (g2)
  8. تحقق مع وظيفة Anova إذا إضافة كل مؤشر (على سبيل المثال، باسيوووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووو
    > أنوفا (g1, g2)
    1. إذا لم يكن هناك فرق كبير في تناسب النموذج الجديد على نموذج أبسط, يفضل أبسط نموذج مع عدد أقل من التنبؤات. أيضا، تحقق من معيار معلومات Akaike (AIC)30 من كل نموذج. AIC هو مقياس لمدى ملاءمة النماذج الإحصائية لمجموعة من البيانات وفقا لأقصى احتمال. تشير القيم المنخفضة إلى ملاءمة أفضل للبيانات31.
      > AIC (g1)؛ AIC (g2)
  9. كرر الخطوات 5.7. و 5.8. بإضافة متغيرات تفسيرية أخرى، مثل بعض تلك التي ترد في الجدول 1، واحدا تلو الآخر في ترتيب دوافع نظرية والحفاظ فقط على تلك التي تحسن بشكل كبير القدرة التنبؤية للنموذج. إذا تم استخدام التزامن المحفز المتغير، قم بتضمينه كمتغير ذو تأثير ثابت في النموذج.
  10. تحقق من التفاعلات ذات الدوافع النظرية بين التنبؤات. على سبيل المثال، إضافة مصطلح التفاعل سجل "التردد الأساسي" حسب العمر.
    > g3 = lmer (RT ~ سجل (تردد قاعدة + 1) + العمر + سجل (تردد قاعدة + 1) : العمر + (1 | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = البيانات الخاصة بك)
    ملاحظة: من الممكن أن يكون التنبؤ هام ًاكمصطلح تفاعل مع متغير آخر، ولكنه ليس هامًا كمؤشر رئيسي. في هذه الحالة، لا تقم بإزالة هذا التوقع من النموذج (تضمين أيضا كتأثير الرئيسي).
  11. إضافة المنحدرات العشوائية من قبل المشاركين32 للتنبؤات عن طريق تضمين "1 +" قبل اسم المتغير، ثم "| الموضوع"، على سبيل المثال، (1 + سجل( تردد قاعدة +1) | الموضوع، لأن أوقات استجابة المشاركين قد تتأثر بالخصائص اللغوية للكلمات بطرق مختلفة.
    ملاحظة: إذا كان هناك العديد من التنبؤات المستمرة، والسماح لهم جميعا أن يكون المنحدرات العشوائية غير واقعي لأن نماذج المنحدر عشوائي تتطلب كميات كبيرة من البيانات لتقدير بدقة الفروق والتباينات المشتركة33،34. في حالة النموذج القصوى لا تلتقي (بمعنى آخر، حساب بنجاح)، تبسيط نموذج33. بدلاً من ذلك، قم بتنفيذ إصدارات بايزيان من النمذجة متعددة المستويات35.
  12. قم بتشغيل التحليل لكل مجموعة مشاركة بشكل منفصل. بدلاً من ذلك، قم بتشغيل تحليل على كافة البيانات، مع مجموعة كمؤشر تأثير ثابت، ومن ثم اختبار لتفاعل المجموعة من قبل التنبؤات الهامة.
    > g4 = lmer (RT ~ سجل (تردد قاعدة + 1) + العمر + سجل (تردد قاعدة + 1) : العمر + المجموعة + سجل (تردد قاعدة + 1) : المجموعة + (1 + سجل (تردد قاعدة + 1) | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = البيانات الخاصة بك)
  13. من أجل إزالة تأثير القيم المتطرفة المحتملة، استبعاد نقاط البيانات مع بقايا موحدة المطلقة تتجاوز، على سبيل المثال، 2.5 الانحرافات القياسية26،وإعادة تناسب النموذج مع البيانات الجديدة(yourdata2).
    > yourdata2 = البيانات الخاصة بك [القيمة المطلقة (مقياس (المقيم (G4))) < 2.5, ]
    > g5 = lmer (RT ~ سجل (تردد قاعدة + 1) + العمر + سجل (تردد قاعدة + 1) : العمر + المجموعة + سجل (تردد قاعدة + 1) : المجموعة + (1 + سجل (تردد قاعدة +1) | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = بياناتك2)
    ملاحظة: ليست جميع نقاط البيانات المتطرفة ضارة للنموذج - فقط تلك التي لديها نفوذ مفرط على النموذج.
  14. في حالة التحليل الاستكشافي (القائم على البيانات)، استخدم الانحدار خطوة إلى الوراء: تضمين جميع المتغيرات في التحليل الأولي ثم قم بإزالة المتغيرات غير الهامة من النموذج بطريقة خطوة بخطوة. بدلا من ذلك، استخدم الإجراء التلقائي للقضاء على التنبؤات غير الهامة مع وظيفة الخطوة التي توفرها حزمة lmerTest29.
    > الخطوة (g4)

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ويبين الجدول 1 قائمة بالمتغيرات التي تم الحصول عليها من ثلاثة مصادر مختلفة (مجموعة، وقاموس، واختبار تجريبي لعناصر الاختبار) التي تم تضمينها في التحليل كتنبؤات ذات تأثير ثابت. وقد سبق الإبلاغ عن العديد من هذه المتغيرات للتأثير على سرعة التعرف على الكلمات.

المحكمه:
تردد قاعدةعدد المرات التي تظهر فيها كلمة في الجسم بجميع أشكالها المخت...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

باستخدام مهمة لغة بسيطة لا تتطلب إنتاج اللغة، بحثت هذه الدراسة تأثير المتغيرات اللغوية المختلفة على التعرف على الكلمات في البالغين الأصغر سنا وكبار السن الأصحاء عصبيا، وكذلك في الأشخاص الذين يعانون من مرض الزهايمر أو ضعف إدراكي معتدل. وقد يعتمد النطاق العمري المستخدم في تجنيد "كبار السن" على اهتمامات البحوث المحددة؛ ومع ذلك، فإن نطاق للمجموعة المسنة صحية يجب أن تتطابق أوثق قدر ممكن من العمر والنطاق والتوزيع للأفراد مع MCI أو AD جند لنفس الدراسة.

ولتجنب الخط ية بين التنبؤات، تم تعامم المتغيرات ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وليس لدى أصحاب البلاغ ما يكشفون عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نشكر مينا ليهتونين، ودومو هونينين، وميرخا هاليكينين، وهيلكا كوينين على مساهمتهم في جمع البيانات وتجهيزها المبلغ عنها هنا. وقد تم دعم جمع البيانات من قبل VPH أبحاث الخرف التي مكنها الاتحاد الأوروبي، اتفاق منحة رقم 601055.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
أدوات برنامج علم النفسE-Primeالإصدار 2.0.10.356.
جهاز كمبيوتر يعمل بنظام Windows ولوحة مفاتيح R
R Foundation للحوسبة الإحصائيةR الفريق الأساسي (2018). R: لغة وبيئة للحوسبة الإحصائية. مؤسسة R للحوسبة الإحصائية، فيينا، النمسا. https://www.R-project.org/ عنوان URL.

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة