用于研究有无痴呆或轻度认知障碍成人书面词汇识别的词汇判断任务

摘要

本文介绍了一种实施简单词汇判断实验的方法，用于评估神经功能健康个体以及痴呆和认知功能下降个体的书面词汇识别能力。我们还详细描述了使用主成分分析（PCA）和混合效应模型进行反应时分析的方法。

摘要

老年人识别视觉物体的速度比年轻人慢。在判断字母串是否为真实单词方面，这一现象同样存在。阿尔茨海默病（AD）患者或轻度认知障碍（MCI）患者在书面词汇识别中的反应时间，比同龄健康老年人更长。尽管随着年龄增长和神经认知障碍的发展，识别速度普遍变慢，但某些词汇本身的特征仍会影响词汇识别速度，且这种影响不受年龄或神经病理状况的制约（例如词汇的使用频率）。本文介绍了一种实验方案，用于在简单的词汇判断实验中，考察词汇特征对年轻人、老年人以及MCI或AD患者词汇识别反应时间的影响。在该实验中，参与者需尽可能快速而准确地判断给定的字母串是否为真实存在的单词。我们还描述了可用来分析不同类型词汇变量或参与者个体特征对词汇识别速度影响的混合效应模型和主成分分析方法。

引言

词语以高度相互关联的网络形式存储于心理词典中。词语之间的关联可能反映其共享的属性，例如语义相似性（如 dog 与 cat）、形式相似性（如 dog 与 fog），或在日常语言使用中频繁共现的关系（如 dog 与 leash）。语言的认知理论，如基于使用理论¹，认为语言使用者每次接触词语都会影响该词语在心理上的表征。根据范例理论（Exemplar Theory），一个词语的表征由多个范例构成，这些范例来源于语言使用的具体实例，并反映特定范畴内存在的变异。使用频率²通过增强范例的强度而影响记忆中的表征¹。

词语识别速度可以揭示心理词典的特征。一种常用的测量词语识别速度的实验范式是词汇判断任务。在此任务中，参与者会依次在显示器上看到一系列字母串，需要尽可能快速地判断屏幕上显示的字母串是否为真实存在的词语，并通过按下相应的按钮做出回应。

通过考察真实词汇的反应时间，研究人员可以探讨关于语言加工的诸多重要问题。例如，确定哪些因素能够加快识别速度，可以检验有关心理词典结构的假设，并揭示其组织架构。此外，对不同参与者群体间表现的比较，有助于我们理解各类语言经验的影响，或在衰老及神经退行性疾病（如阿尔茨海默病）情况下，认知衰退所起的作用。

某些因素（例如使用频率）对词汇识别的影响大于其他因素（例如词长）。随着年龄增长，人们识别书面词汇的方式可能会发生变化^3,4。年轻成年人倾向于更多依赖词汇的语义（基于意义）特征，例如有多少复合词（如 bulldog）或派生词（如 doggy）在形式和意义上与目标词（本例中为 dog）具有共同之处。而老年人的词汇识别似乎更受形式特征的影响，例如语言中两个连续字母共同出现的频率（例如，字母组合 st 在英语词汇中出现的频率高于组合 sk）。

为了确定影响不同群体词汇识别速度的因素，研究人员可以操控刺激材料中的某些变量，然后检验这些变量预测词汇识别速度的能力。例如，为了检验词汇识别是由语义因素还是形式因素驱动的，刺激材料应包含反映词汇在心理词典中与其语义邻近词之间关联程度的变量，或与其共享部分形式的其他词汇之间关联程度的变量。

本研究采用该方法探究词语识别速度是否在年轻和年长成人以及阿尔茨海默病（AD）或轻度认知障碍（MCI）患者中受到不同因素的影响³。此处描述的方法基于视觉词语识别，但可调整用于听觉模态。然而，在典型的视觉词汇判断实验中对反应时具有显著预测作用的某些变量，在听觉词汇判断任务中可能无法预测反应潜伏期，甚至可能产生相反效应。例如，音位邻域在这两种模态中的作用相反⁵： 音位邻域较大的词语在视觉词语识别中表现出促进作用，但在听觉词汇判断任务中却导致更长的反应潜伏期⁶。

老年人的找词困难⁷通常归因于难以提取词语的音位形式，而非语义表征的崩溃⁸。然而，阿尔茨海默病（AD）的研究主要集中在语义衰退方面^{9,10,11,12,13,14}。明确语义和正字法因素如何影响伴有或不伴有认知衰退的老年人对书面词汇的识别至关重要。形式相关因素的影响在老年人中比在年轻人中更为显著，并且在轻度认知障碍（MCI）或阿尔茨海默病患者中仍然显著³。因此，该方法学有助于揭示不同人群心理词典的特征，并识别随着年龄增长和神经病理变化所引起的心理词典组织结构的改变。在对患有神经病理的患者进行测试时，一个担忧是他们可能难以获取与任务相关的知识。然而，词汇判断任务是一种简单任务，不需要工作记忆或其他许多患者存在困难的复杂认知技能，因此被认为适用于阿尔茨海默病和轻度认知障碍人群。

方案

该方案遵循北萨沃医院区伦理委员会（IRB00006251）的指导原则。

1. 受试者筛选

1. 招募具有 正常或矫正至正常视力的年轻和年长成人，且应为所测试语言的母语使用者，除非研究涉及第二语言习得的特定科学问题。
2. 对于健康对照组，排除有神经系统或精神疾病史的参与者。
3. 对于临床组，招募已被诊断为阿尔茨海默病¹⁵或轻度认知障碍^16,17的个体。仅纳入经临床医生判断能够提供知情同意的个体。为实现准确比较，临床组的年龄范围和平均年龄应与健康年长成人参与者相匹配。
4. 评估痴呆严重程度，例如使用临床痴呆评定量表¹⁸（CDR，0=无痴呆，0.5=极轻度，1=轻度，2=中度，3=重度）。排除患有重度痴呆的患者，因为该任务可能对其而言过于困难。即使其严重程度评分符合标准，也不应纳入明显无法遵循指令的参与者。

2. 刺激材料的构建

1. 选择词项刺激材料以解决特定的研究问题，例如，在不同人群中语义变量与正字法/语音变量对词汇识别¹⁹的影响哪一个更强。
2. 从语料库²⁰中计算或从数据库²¹中提取反映刺激材料语义、语音和正字法特征的变量，以便将其作为解释词汇识别反应时的理论驱动预测因子或作为控制变量。同时，将参与者的性别、年龄和受教育年限也作为解释变量或控制变量使用。
3. 除真实词外，还需构建一组匹配的伪词。伪词在形式上类似于真实词，符合该语言中特定字母在特定词位上的分布规则（即音位组合规则）。为控制音位组合特征，可通过将某些词的首音节与另一些词的次音节随机重组的方式生成伪词。剔除因重组偶然形成的真词，以及所有违反该语言音位组合规则的项目。
4. 在字母长度和二元字母组合频率（即文本语料库中所有相邻两个字母组合出现次数的平均值）方面，使伪词与目标词相匹配。这些变量已被证明会影响识别速度。
   注意：调整伪词比例（例如，真实词与伪词数量的相对比例）可能导致不同的结果，参与者对较不常见刺激类型的反应通常更慢且准确率更低²²。
5. 添加一组真实词填充项，以降低参与者对下一个刺激属于某一特定类型（例如，某一屈折类别）的预期。例如，可从与实验刺激所依据特征不同的词类（如屈折类别）中选择这些填充项。

3. 实验设计

1. 每次水平呈现一个字母串，使其所张的视角约为5°。
2. 实验开始前进行一次练习环节，包含少量试次，每试次呈现一个词（例如15个真词和15个伪词，这些词不包含在正式实验中），以帮助参与者熟悉任务内容及反应按键。若参与者在练习试次中未能准确反应（对真词按“是”键，对伪词按“否”键），应给予反馈并重新进行练习环节。
3. 将实验分为若干区块，并在练习环节结束后及各区块之间提供短暂休息，以让参与者放松眼睛，减少疲劳。
4. 每个新区块开始时，先呈现几个填充项目（不纳入数据分析，例如常见名词如 dog、sister、year），因为轻度认知障碍（MCI）或阿尔茨海默病（AD）参与者有时会忽略区块开始的前几个试次。
5. 对每位参与者，实验项目的呈现顺序应随机化。
6. 每个试次开始时，先在屏幕中央呈现一个注视点（例如“+”符号）500 ms，随后是一段固定时间（例如500 ms）或可变时间（例如500–800 ms）的空白屏幕。
7. 空白屏幕结束后立即呈现一个字母串（真词或伪词），持续1,500 ms，或直到参与者做出反应为止。
8. 参与者做出反应后，或自词呈现开始后1,500 ms（以先发生者为准），再次呈现空白屏幕，直至整个试次开始后3,000 ms结束。
9. 重复此序列，直至实验中所有项目均呈现完毕。
   注意：刺激间延迟的时间仅为示例，更改这些时间可能会影响结果模式。

4. 实验步骤

1. 在正常光照的房间内，让受试者坐在距离电脑显示器约80 cm处。
2. 指导受试者使用其优势手按压两个对应按钮之一（例如，用食指按压表示真词，中指按压表示伪词），或使用每只手的食指，尽快且准确地判断屏幕上显示的字母串是否为真实单词。
   注意：受试者会根据指导语尽量优化其表现。因此，若强调反应速度而非准确性，或反之，其反应将受到影响²³。

5. 在 R 中使用混合效应模型分析数据

注意：可以使用多种不同的统计软件进行分析。本节介绍在 R²⁴ 中分析数据的步骤。

1. 从呈现程序（例如 E-Studio 软件）的输出文件中获取每次试验的反应时间（RT），单位为毫秒。
2. 安装软件包 lme4²⁸ 和 lmerTest²⁹. 使用函数附加包 图书馆 或 需要。
3. 使用例如以下方法将数据导入 R： read.table 功能。
4. 检查是否需要进行转化，例如使用 boxcox 功能来自 质量 包装²⁵，因为反应时数据的分布通常高度偏斜。
   > library (MASS)
   > boxcox(RT ~ Expnanatory_variable, data = yourdata)
   注意：由该程序生成的图表 boxcox 函数显示了Box-Cox变换参数的95%置信区间。根据该区间内所包含的λ值，可选择相应的变换方式，例如：λ=−1（倒数变换）、λ=0（对数变换）、λ=1/2（平方根变换）和λ=1/3（立方根变换）。
   1. 在词汇判断实验中，由于对反应时（RT）进行倒数转换（例如，-1000/RT）或二进制对数转换（例如，log2(RT)）通常比原始RT值更接近正态分布，因此应使用转换后的RT值²⁶.
   2. 或者，使用不依赖正态分布的统计方法，拟合稳健的线性混合效应模型，并提供对异常值或其他污染源影响较小的估计结果²⁷.
5. 由于反应时分析通常基于正确反应进行，因此需排除参与者反应错误（对真实词回答“否”）以及遗漏反应的试验。
   1. 此外，除非对伪词和填充词有特定假设，否则应排除对它们的反应。
   2. 排除反应时间快于300毫秒的试验，因为这类情况通常表明参与者对前一个刺激的反应过慢，或在未读取当前刺激时误按了反应键。
6. 构建一个基本的线性混合效应模型，用于识别 RT 作为结果测量指标 主题, 项目，以及 试验 作为随机效应。请注意，那些从更大集合（总体）中随机抽样取值的变量应作为随机效应纳入，而水平数较少或数据中已包含所有水平的变量则为固定效应。以如下形式添加随机效应 (1 | 受试者) 以便为每个随机效应估计随机截距。
   > g1 = lmer (RT ~ (1 | Subject) + (1 | Item) + (1 | Trial), data = yourdata)
   > 摘要（g1）
7. 按照理论依据确定的顺序添加解释变量。例如，将词项的基础频率作为固定效应加入模型。某些变量（如基础频率或表面频率）呈齐普夫分布，因此应通过转换使其分布更接近正态分布后再纳入模型，例如采用对数转换。
   > g2 = lmer (RT ~ log(BaseFrequency + 1) + (1 | Subject) + (1 | Item) + (1 | Trial), data = yourdata)
   > 摘要（g2）
8. 请与 方差分析 例如，在添加每个预测因子时的函数 基础频率显著提高了模型的预测能力，相较于未包含该预测因子的模型。
   > anova (g1, g2)
   1. 如果新模型相较于简单模型在拟合效果上无显著提升，则优先选择包含较少预测变量的最简模型。同时，检查赤池信息准则（AIC）³⁰ 每个模型的AIC是衡量统计模型根据最大似然法对一组数据拟合优度的指标。较低的AIC值表示模型对数据的拟合更好³¹.
      > AIC (g1)；AIC (g2)
9. 重复步骤 5.7 和 5.8，加入其他解释变量，例如文中列出的部分变量 表1，按照理论驱动的顺序逐一纳入，并仅保留那些能显著提升模型预测能力的变量。如果使用了可变的刺激呈现时间间隔，则应将其作为固定效应变量纳入模型。
10. 检查预测变量之间是否存在理论支持的交互作用。例如，添加一个交互项 按年龄划分的基础频率对数.
    > g3 = lmer (RT ~ log(BaseFrequency + 1) + Age + log(BaseFrequency + 1) : Age + (1 | Subject) + (1 | Item) + (1 | Trial), data = yourdata)
    注意：某个预测因子作为与另一变量交互项的一部分可能具有显著性，但作为主效应预测因子时可能不显著。在此情况下，不得将该预测因子从模型中移除（应同时将其作为主效应纳入模型）。
11. 添加以参与者为随机因子的斜率³² 在变量名前加上“1 +”，然后加上“| Subject”，例如：(1 + log(基础频率  + 1) | 主题），因为参与者的反应时间可能会以不同方式受到词汇词汇特征的影响。
    注意：如果存在大量连续型预测变量，允许所有变量均具有随机斜率是不现实的，因为随机斜率模型需要大量数据才能准确估计方差和协方差^33,34若最大模型无法收敛（即无法成功计算），则需简化模型³³或者，采用多水平模型的贝叶斯版本³⁵.
12. 分别为每个参与者组运行分析。或者，对所有数据进行分析，将组别作为固定效应预测因子，然后检验组别与显著预测因子之间的交互作用。
    > g4 = lmer (RT ~ log(BaseFrequency + 1) + Age + log(BaseFrequency + 1) : Age  + 组别 + log(基础频率 + 1) : 组别 +  (1 + log(基础频率 + 1) | 受试者) +  (1 | 项目) + (1 | 试验)，数据 = yourdata
13. 为消除可能的异常值影响，应剔除绝对标准化残差超过例如2.5个标准差的数据点²⁶，并使用新数据重新拟合模型（yourdata2).
    > yourdata2 = yourdata [abs(scale(resid(g4))) < 2.5, ]
    > g5 = lmer (RT ~ log(BaseFrequency + 1) + Age + log(BaseFrequency + 1) : Age  + 组别 + log(基础频率 + 1) : 组别 + (1 + log(基础频率 + 1) | 受试者) +  (1 | 项目) + (1 | 试验)，数据 = yourdata2
    注意：并非所有极端数据点都会对模型产生不利影响，只有那些对模型具有过度影响力的极端值才会影响模型。
14. 在进行探索性（数据驱动）分析时，采用向后逐步回归法：在初始分析中纳入所有变量，然后逐步从模型中移除无统计学意义的变量。或者，也可使用自动剔除无统计学意义预测变量的程序 步骤 该软件包提供的功能 lmerTest²⁹.
    > 步骤 (g4)

结果

表1列出了从三个不同来源（语料库、词典以及测试项目的预实验）获得的、在分析中作为固定效应预测因子纳入的变量。其中许多变量此前已被报道会影响单词识别速度。

语料库：
词频基数	一个词以所有不同形式在语料库中出现的次数（例如 child 和 children）
二元字母组合频率	语料库中所有连续两个字母组合出现的平均次数
词形家族大小	与该名词共享词素的派生词和复合词的数量
词形家族频率	所有词形家族成员的词频...

讨论

通过使用一种无需语言产出的简单语言任务，本研究探讨了多种词汇变量对神经功能健康的年轻人和老年人，以及阿尔茨海默病（AD）或轻度认知障碍（MCI）患者词汇识别的影响。招募“老年人”时所采用的年龄范围可能取决于具体的研究兴趣；然而，健康老年组的年龄范围和分布应尽可能与同一研究中招募的MCI或AD个体相匹配。

为避免预测变量之间的共线性，将词汇变量正交化为多个主成分，并纳入混合效应模型中，其中反应时作为因变量。简单的词汇判断实验与混合效应回归分析相结合，得出了一项新发现：阿尔茨海默病患者的语言困难可能不仅源于语义系统的改变，还与对词形依赖的增加有关。有趣的是，在轻度认知障碍患者和认知健康的老年人中也发现了类似的模式。这表明，对基于形式的语言加工依赖增强可能是与年龄相关的书面词汇识别变化的共同特征之一。

在因子设计中，研究人员传统上会创建两组或多组词语，这些词语在感兴趣的变量上有所不同，同时在其他多个可能影响加工速度的词汇特征上对这些词语组进行匹配。其假设是，这两组词语之间获得的任何行为差异都应归因于被操纵的（即未匹配的）变量。这类设...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
E-Prime	心理学软件工具	版本 2.0.10.356。
配备 Windows 系统和键盘的计算机
R	统计计算 R 基金会	R 核心团队 (2018)。R：统计计算的语言和环境。R 基金会，奥地利维也纳。网址 https://www.R-project.org/。