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

词汇判断任务用于测量词汇识别速度。该任务可以揭示心理词典的特征，以及心理词典如何随着年龄增长和神经退行性疾病而发生变化。许多语言任务需要语言能力与其他认知功能的协调。

词汇判断任务不太依赖其他可能在某些人群中受损的认知能力，例如痴呆症患者。我们的实验室主管 Dalia Garcia 将协助演示该操作流程。在正常光照的房间内，让受试者坐在计算机显示器前，观看距离约为 80 厘米。

骑行体验如何？很不错。如果该词是真实存在的词，请按左侧按钮。

指导受试者通过按下一个两个对应的按钮，尽快且准确地判断屏幕上显示的字母串是否为真实单词。实验开始前先进行一次练习环节，包含少量试次，每个试次仅呈现一个水平排列的单词，其视角范围约为五度。将实验分为若干区块，并在练习环节结束后以及各区块之间提供短暂休息时间，以便受试者放松眼睛并减少疲劳。

接下来，每个新组块开始时先呈现几个常见的名词填充项，如 dog、sister 或 year，这些项目不纳入分析。各项以随机顺序呈现。每次实验试次开始时，屏幕中央先显示一个注视点，持续 500 毫秒，随后呈现空白屏幕 500 毫秒。

在空白屏幕结束后，立即呈现一个字母串，持续 1,500 毫秒，或直到受试者做出反应为止。最后，在受试者做出反应后，再次显示空白屏幕，直至从试验开始起已过去 3,000 毫秒。首先打开呈现程序的输出文件，并获取每次试验的反应时间，以毫秒为单位。

使用例如 read.table 函数将数据导入 R。安装 lme4 和 lmerTest 软件包。

使用函数库的 attach 或 require 函数加载包。利用 boxcox 函数检查是否需要进行数据转换，因为反应时数据的分布通常高度偏斜。对反应时数值进行转换，可采用倒数转换后的反应时或反应时的二进制对数，因为在词汇判断实验中，这些转换方法相比原始反应时数值，通常能使反应时数据更接近正态分布。

接下来，排除伪词和填充项试验，以及错误反应和遗漏反应。排除反应时间快于300毫秒的试验，因为这类反应通常表明受试者对前一个刺激的反应过晚。然后，构建一个基本的线性混合效应模型，将反应时间作为结果指标，将受试者、项目和试验作为随机效应。

添加随机效应，以估计每个随机效应的随机截距。按照理论依据确定的顺序添加解释变量。例如，将基于词汇的频率作为固定效应加入。

将变量（如基线或表面频率）以某种变换方式引入模型中，使其分布形态更接近正态分布。使用 anova 函数检验，判断每个预测变量的加入是否显著提高了模型的预测能力，相较于未包含该预测变量的模型。如果新模型的拟合效果与较简单模型相比无显著差异，则应选择包含更少预测变量的最简模型。

然后，使用 AIC 函数检查每个模型的赤池信息准则。较低的值表示模型对数据的拟合程度更好。接下来，检验预测变量之间是否存在理论驱动的交互作用。

例如，添加一个交互项，即基础频率与年龄的对数。然后为每个预测变量添加被试的随机斜率，方法是在变量名前加上“1+”，接着是竖线“|”，然后是 subject（被试），因为被试的反应时可能受到其个体特征或词语词汇特征的不同影响。可以分别对每个被试组进行分析，也可以对所有数据进行分析，将组别作为固定效应预测变量，然后检验组别与显著预测变量之间的交互作用。

为了消除可能的异常值影响，应剔除标准化残差绝对值超过2.5个标准差的数据点，并使用剩余数据重新拟合模型。最后，在探索性数据驱动分析的情况下，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。

这些结果表明，年轻成年人与老年成年人在词汇识别速度上可能存在差异。在年轻成年人中，仅有两个主成分（PC1 和 PC4）具有显著性。而在老年对照组、轻度认知障碍个体以及阿尔茨海默病患者模型中，有三个成分是显著的预测因子。

第三个成分PC2被解释为反映了词汇形式特征对词汇识别速度的影响。此外，三个老年组之间出现了一个有趣的差异：教育水平显著预测了健康老年对照组和轻度认知障碍个体的词汇识别速度，但无法预测阿尔茨海默病患者的词汇识别速度。

该方法可应用于关于心理词典的其他类型问题，以及多语言使用者和失语症患者等其他人群。