Lexikalische Entscheidungsaufgabe zum Studium der schriftlichen Worterkennung bei Erwachsenen mit und ohne Demenz oder leichte kognitive Beeinträchtigung

Die lexikalische Entscheidungsaufgabe wird verwendet, um die Worterkennungsgeschwindigkeit zu messen. Diese Aufgabe kann Merkmale des mentalen Lexikons aufdecken und wie sich das Lexikon mit dem Altern und mit neurodegenerativen Erkrankungen verändert. Viele Sprachaufgaben erfordern die Koordination der Sprache und andere Aspekte der Kognition.

Die lexikalische Entscheidungsaufgabe hängt nicht stark von anderen kognitiven Fähigkeiten ab, die in einigen Populationen, wie z. B. Patienten mit Demenz, beeinträchtigt werden können. Dalia Garcia, unsere Laborleiterin, hilft ihnen dabei, das Verfahren zu demonstrieren. Stellen Sie den Teilnehmer in einem sehnormalen Raum in einem Betrachtungsabstand von etwa 80 Zentimetern vor einen Computermonitor.

Wie war die Fahrt? Es war gut. Drücken Sie die linke Taste, wenn das Wort ein echtes Wort ist.

Weisen Sie den Teilnehmer an, so schnell und genau wie möglich zu entscheiden, ob die Buchstabenzeichenfolge auf dem Bildschirm ein echtes Wort ist oder nicht, indem Sie eine von zwei entsprechenden Tasten drücken. Beginnen Sie das Experiment mit einer Übungseinheit, die eine kleine Anzahl von Versuchen mit einem Wort umfasst, das horizontal pro Versuch dargestellt wird und einen visuellen Winkel von etwa fünf Grad untergibt. Teilen Sie das Experiment in Blöcke auf und geben Sie kurze Pausen nach der Übungseinheit und zwischen den Blöcken, damit die Teilnehmer ihre Augen ausruhen und Müdigkeit reduzieren können.

Als Nächstes beginnen Sie jeden neuen Block mit ein paar Füllstoffelementen von gemeinsamen Substantiven, wie Hund, Schwester oder Jahr, die nicht in die Analyse einbezogen werden. Präsentieren Sie die Elemente in einer zufälligen Reihenfolge. Beginnen Sie jede Versuchsstudie mit einem Fixierungszeichen, das 500 Millisekunden lang in der Mitte des Bildschirms angezeigt wird, gefolgt von einem leeren Bildschirm für weitere 500 Millisekunden.

Legen Sie unmittelbar nach dem leeren Bildschirm eine Buchstabenzeichenfolge für 1, 500 Millisekunden oder bis der Teilnehmer antwortet. Schließlich, nachdem eine Antwort gemacht wurde, folgen Sie erneut mit einem leeren Bildschirm, bis 3.000 Millisekunden vom Beginn der Testversion vergangen sind. Beginnen Sie, indem Sie die Ausgabedatei des Präsentationsprogramms öffnen und die Reaktionszeit, gemessen in Millisekunden, für jede Testversion erhalten.

Importieren Sie Daten in R, indem Sie z. B. den Lesevorgang verwenden. Tabellenfunktion. Installieren Sie die Pakete lme4 und lmerTest.

Fügen Sie Pakete mit der Funktionsbibliothek an oder benötigen Sie. Überprüfen Sie die Notwendigkeit der Transformation mit der boxcox-Funktion, da die Verteilung der Reaktionszeitdaten in der Regel stark verzerrt ist. Transformieren Sie die Reaktionszeitwerte unter Verwendung invertierter transformierter Reaktionszeiten oder binärer Logarithmen von Reaktionszeiten, da diese Transformationen tendenziell mehr normalähnliche Verteilungen für Reaktionszeiten in lexikalischen Entscheidungsexperimenten liefern als rohe Reaktionszeitwerte.

Als Nächstes schließen Sie Pseudowort- und Füllstoffversuche sowie falsche Antworten und Auslassungen aus. Schließen Sie Studien mit Reaktionszeiten von mehr als 300 Millisekunden aus, da sie in der Regel darauf hindeuten, dass der Teilnehmer zu spät auf einen vorherigen Stimulus reagiert hat. Erstellen Sie als Nächstes ein grundlegendes modellfür lineare gemischte Effekte, das Reaktionszeiten als Ergebnismaß und Gegenstand und Versuch als Zufallseffekte identifiziert.

Fügen Sie die Zufallseffekte hinzu, um zufällige Intercepts für jede der zufälligen Effekte zu schätzen. Fügen Sie erklärende Variablen in einer theoretisch motivierten Reihenfolge hinzu. Fügen Sie beispielsweise die wortbasierte Frequenz als festen Effekt hinzu.

Fügen Sie Variablen, z. B. Basis- oder Oberflächenfrequenz, in das Modell mit einer Transformation ein, die zu einer gaussschen Verteilungsform führt. Prüfen Sie mit der anova-Funktion, ob das Hinzufügen der einzelnen Prädiktoren die Vorhersageleistung des Modells im Vergleich zu einem Modell ohne Prädiktor erheblich verbessert hat. Wenn es keinen signifikanten Unterschied in der Anpassung des neuen Modells gegenüber dem einfacheren Modell gibt, wählen Sie das einfachste Modell mit weniger Prädiktoren aus.

Überprüfen Sie dann das Akaike-Informationskriterium jedes Modells mithilfe der AIC-Funktion. Niedrigere Werte weisen auf eine bessere Anpassung an die Daten hin. Überprüfen Sie anschließend, ob theoretisch motivierte Interaktionen zwischen Prädiktoren.

Fügen Sie beispielsweise einen Begriff der Interaktion hinzu, das Protokoll der Basisfrequenz nach Alter. Fügen Sie dann nach Teilnehmer zufällige Steigungen für Prädiktoren hinzu, indem Sie ein Plus vor dem Variablennamen, dann einen vertikalen Balken und dann subjektieren, da die Reaktionszeiten der Teilnehmer durch ihre individuellen Eigenschaften oder durch die lexikalischen Eigenschaften der Wörter auf unterschiedliche Weise beeinflusst werden könnten. Führen Sie die Analyse für jede Teilnehmergruppe separat aus, oder führen Sie eine Analyse für alle Daten mit Gruppe als Prädiktor für feste Auswirkungen aus, und testen Sie dann eine Interaktion der Gruppe durch signifikante Prädiktoren.

Um den Einfluss möglicher Ausreißer zu beseitigen, schließen Sie Datenpunkte mit absoluten standardisierten Residuen über 2,5 Standardabweichungen aus und passen das Modell mit den neuen Daten nach. Schließlich verwenden Sie bei der explorativen datengesteuerten Analyse eine rückwärtsgewandte Regression. Schließen Sie alle Variablen in die erste Analyse ein, und entfernen Sie dann schritt für Schritt nicht signifikante Variablen aus dem Modell.

Diese Ergebnisse zeigen, wie sich die Geschwindigkeit der Worterkennung bei jüngeren und älteren Erwachsenen unterscheiden könnte. Nur zwei Hauptkomponenten, PC1 und PC4, waren bei den jungen Erwachsenen signifikant. Drei Komponenten waren signifikante Prädiktoren in den Modellen für ältere Kontrollen, Personen mit leichter kognitiver Beeinträchtigung, und Personen mit Alzheimer-Krankheit.

Diese dritte Komponente, PC2, wird so interpretiert, dass sie den Einfluss formbasierter Aspekte eines Wortes auf die Worterkennungsgeschwindigkeit widerspiegelt. Darüber hinaus ergab sich ein interessanter Unterschied zwischen den drei älteren Gruppen. Bildung prognostizierte signifikant Geschwindigkeit der Worterkennung für ältere Kontrollen und Personen mit leichten kognitiven Beeinträchtigung, aber nicht für Personen mit Alzheimer-Krankheit.

Diese Methode kann auf andere Arten von Fragen über das mentale Lexikon und auf andere Bevölkerungsgruppen angewendet werden, wie Mehrsprachigkeit und Menschen mit Aphasie.