Tarea de decisión léxica para el estudio del reconocimiento de palabras escritas en adultos con y sin demencia o deterioro cognitivo leve

La tarea de decisión léxica se utiliza para medir la velocidad de reconocimiento de palabras. Esta tarea puede revelar características del léxico mental y cómo el léxico cambia con el envejecimiento y con trastornos neurodegenerativos. Muchas tareas del lenguaje requieren la coordinación del lenguaje y otros aspectos de la cognición.

La tarea de decisión léxica no depende en gran medida de otras capacidades cognitivas, que pueden verse comprometidas en algunas poblaciones, como los pacientes con demencia. Ayudar a demostrar el procedimiento será Dalia García, nuestra gerente de laboratorio. Coloque al participante frente a un monitor de computadora a una distancia de visualización de unos 80 centímetros en una habitación normalmente iluminada.

¿Cómo estuvo el viaje? Estuvo bien. Pulse el botón izquierdo si la palabra es una palabra real.

Indique al participante que decida con la mayor rapidez y precisión posible si la cadena de letra en la pantalla es una palabra real o no pulsando uno de los dos botones correspondientes. Comience el experimento con una sesión de práctica que incluya un pequeño número de ensayos con una palabra presentada horizontalmente por prueba subyigiendo un ángulo visual de unos cinco grados. Divida el experimento en bloques y dé descansos cortos después de la sesión de práctica y entre los bloques para permitir a los participantes descansar los ojos y reducir la fatiga.

A continuación, comience cada nuevo bloque con algunos elementos de relleno de sustantivos comunes, como perro, hermana o año, que no se incluirán en el análisis. Presente los elementos en un orden aleatorio. Comience cada prueba de experimento con una marca de fijación que aparece en el centro de la pantalla durante 500 milisegundos seguida de una pantalla en blanco durante otros 500 milisegundos.

Inmediatamente después de la pantalla en blanco, presente una cadena de letra durante 1.500 milisegundos o hasta que el participante responda. Finalmente, después de hacer una respuesta, siga de nuevo con una pantalla en blanco hasta que haya pasado 3.000 milisegundos desde el comienzo de la prueba. Comience abriendo el archivo de salida del programa de presentación y obtenga el tiempo de reacción, medido en milisegundos, para cada ensayo.

Importe datos a R utilizando, por ejemplo, la lectura. función de tabla. Instale los paquetes lme4 e lmerTest.

Adjunte paquetes con la biblioteca de funciones o requiere. Compruebe la necesidad de transformación utilizando la función boxcox, ya que la distribución de los datos de tiempo de reacción suele estar muy sesgada. Transforme los valores de tiempo de reacción utilizando tiempos de reacción transformados invertidos o logaritmos binarios de tiempos de reacción, ya que estas transformaciones tienden a proporcionar distribuciones más normales para los tiempos de reacción en experimentos de decisión léxica que los valores de tiempo de reacción sin procesar.

A continuación, excluya las pruebas de pseudo palabra y relleno, así como las respuestas y omisiones incorrectas. Excluir ensayos con tiempos de respuesta superiores a 300 milisegundos porque normalmente indican que el participante fue demasiado tarde respondiendo a un estímulo anterior. A continuación, cree un modelo básico de efectos mixtos lineales que identifique los tiempos de reacción como la medida de resultado y el elemento de asunto y el ensayo como efectos aleatorios.

Añadir los efectos aleatorios con el fin de estimar las interceptaciones aleatorias para cada uno de los efectos aleatorios. Agregue variables explicativas en un orden teóricamente motivado. Por ejemplo, agregue frecuencia basada en palabras como efecto fijo.

Inserte variables, como la frecuencia base o superficial, en el modelo con una transformación que dé como resultado una forma de distribución más gaussiana. Compruebe con la función anova si la adición de cada predictor mejoró significativamente la potencia predictiva del modelo en comparación con un modelo sin el predictor. Si no hay ninguna diferencia significativa en el ajuste del nuevo modelo sobre el modelo más simple, elija el modelo más simple con menos predictores.

A continuación, compruebe el criterio de información de Akaike de cada modelo utilizando la función AIC. Los valores más bajos indican un mejor ajuste para los datos. A continuación, compruebe si hay interacciones teóricamente motivadas entre los predictores.

Por ejemplo, agregue un término de interacción, el registro de frecuencia base por edad. A continuación, agregue por participante pendientes aleatorias para los predictores incluyendo uno más antes del nombre de la variable, luego una barra vertical, luego sujeto, porque los tiempos de reacción de los participantes podrían verse afectados por sus características individuales o por las características léxicas de las palabras de diferentes maneras. Ejecute el análisis para cada grupo de participantes por separado o ejecute un análisis en todos los datos con el grupo como un predictor de efectos fijos y, a continuación, pruebe una interacción del grupo por predictores significativos.

Para eliminar la influencia de los posibles valores atípicos, excluya los puntos de datos con residuos estandarizados absolutos que superen las desviaciones estándar de 2,5 y vuelva a ajustar el modelo con los nuevos datos. Por último, en el caso del análisis exploratorio basado en datos, utilice una regresión escalonada hacia atrás. Incluya todas las variables en el análisis inicial y, a continuación, elimine las variables no significativas del modelo paso a paso.

Estos resultados indican cómo la velocidad de reconocimiento de palabras podría ser diferente para los adultos más jóvenes y los adultos mayores. Sólo dos componentes principales, PC1 y PC4, fueron significativos en los adultos jóvenes. Tres componentes fueron predictores significativos en los modelos para los controles de edad avanzada, individuos con deterioro cognitivo leve, y las personas con la enfermedad de Alzheimer.

Este tercer componente, PC2, se interpreta como un reflejo de la influencia de los aspectos basados en la forma de una palabra en la velocidad de reconocimiento de palabras. Además, surgió una diferencia interesante entre los tres grupos de ancianos. La educación predijo significativamente la velocidad del reconocimiento de palabras para los controles de edad avanzada y las personas con deterioro cognitivo leve, pero no para las personas con la enfermedad de Alzheimer.

Esta metodología se puede aplicar a otros tipos de preguntas sobre el léxico mental y a otras poblaciones, como las personas con afasia y las personas con afasia.