Article de méthode

Tâche de décision lexicale pour l'étude de la reconnaissance de la parole écrite chez les adultes atteints ou non de démence ou d'une déficience cognitive légère

DOI :

10.3791/59753

⸱

25 juin 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

Dans cet article

Résumé

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

Cet article décrit comment mettre en œuvre une expérience de décision lexicale simple pour évaluer la reconnaissance écrite de mot dans les participants neurologiquement sains et dans les individus avec la démence et le déclin cognitif. Nous fournissons également une description détaillée de l'analyse du temps de réaction à l'aide de l'analyse des principaux composants (APC) et de la modélisation des effets mixtes.

Résumé

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

Les personnes âgées sont plus lentes à reconnaître les objets visuels que les jeunes adultes. Il en va de même pour la reconnaissance qu'une chaîne de lettres est un vrai mot. Les personnes atteintes de la maladie d'Alzheimer (MA) ou d'une déficience cognitive légère (MCI) démontrent des réponses encore plus longues dans la reconnaissance écrite que les témoins âgés. Malgré la tendance générale à une reconnaissance plus lente dans le vieillissement et les troubles neurocognitifs, certaines caractéristiques des mots influencent la vitesse de reconnaissance des mots, peu importe l'âge ou la neuropathologie (p. ex., la fréquence d'utilisation d'un mot). Nous présentons ici un protocole pour examiner l'influence des caractéristiques lexicales sur les temps de réponse de reconnaissance de mot dans une expérience simple de décision lexicale administrée aux adultes plus jeunes et plus âgés et aux personnes avec MCI ou AD. Dans cette expérience, les participants sont invités à décider aussi rapidement et avec précision que possible si une chaîne de lettre donnée est un mot réel ou non. Nous décrivons également des modèles d'effets mixtes et des analyses de composants principaux qui peuvent être utilisés pour détecter l'influence de différents types de variables lexicales ou de caractéristiques individuelles des participants sur la vitesse de reconnaissance des mots.

Introduction

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

Les mots sont stockés dans le lexique mental dans un réseau très interconnecté. Les liens entre les mots peuvent refléter des propriétés partagées, telles que la similitude sémantique (p. ex., chien et chat),la similitude de forme (chien et brouillard),ou la cooccurrence fréquente dans l'utilisation courante de la langue (p. ex., chien et laisse). Les théories cognitives du langage, telles que la théorie basée sur l'utilisation1, soutiennent que chaque rencontre d'un mot par un utilisateur de langue a un effet sur la représentation mentale du mot. Selon la théorie exemplaire, la représentation d'un mot se compose de nombreux exemples, qui sont construits à partir de jetons individuels de l'utilisation du langage et qui représentent la variabilité qui existe pour une catégorie donnée. La fréquence d'utilisation2 influe sur les représentations dans la mémoire en contribuant à la force d'un exemplaire1.

La vitesse de reconnaissance des mots peut révéler les caractéristiques du lexique mental. Un paradigme expérimental couramment utilisé pour mesurer la vitesse de la reconnaissance des mots est la tâche de décision lexicale. Dans cette tâche, les participants sont présentés avec des chaînes de lettres sur un moniteur, un à la fois. Ils sont chargés de décider le plus rapidement possible si la chaîne de lettre à l'écran est un vrai mot ou non en appuyant sur le bouton correspondant.

En examinant les temps de réaction pour les mots réels, les chercheurs peuvent répondre à un certain nombre de questions importantes sur le traitement du langage. Par exemple, identifier les facteurs qui rendent la reconnaissance plus rapide peut tester des hypothèses sur la structure du lexique mental et révéler son architecture. De plus, les comparaisons du rendement entre différents groupes de participants peuvent nous aider à comprendre l'influence de divers types d'expérience linguistique, ou, dans le cas du vieillissement ou des maladies neurodégénératives (p. ex., la maladie d'Alzheimer), le rôle de la maladie cognitive décliner.

Certains facteurs (p. ex., la fréquence d'utilisation) ont une plus grande influence sur la reconnaissance des mots que d'autres facteurs (p. ex., longueur des mots). Avec l'âge avancé, la façon dont les gens reconnaissent les mots écrits pourrait changer3,4. Les jeunes adultes ont tendance à s'appuyer fortement sur les aspects sémantiques (basés sur le sens) d'un mot, comme le nombre de composés (p. ex. bulldog) ou les mots dérivés (p. ex., doggy) partagent des aspects de la forme et du sens avec le mot cible (dans ce cas, chien). La reconnaissance des mots pour les personnes âgées semble être plus influencée par des aspects fondés sur des formulaires, comme la fréquence à laquelle deux lettres subséquentes coproduisent dans la langue (p. ex., la combinaison de lettres st se produit plus souvent dans les mots anglais que la combinaison sk).

Pour déterminer les facteurs qui influencent la vitesse de reconnaissance des mots entre les différents groupes, le chercheur peut manipuler certaines variables dans l'ensemble de stimulus, puis tester la puissance de ces variables pour prédire la vitesse de reconnaissance des mots. Par exemple, pour vérifier si la reconnaissance des mots est motivée par des facteurs sémantiques ou basés sur la forme, l'ensemble de stimulus devrait inclure des variables qui reflètent le degré de connectivité d'un mot à ses voisins sémantiques dans le lexique mental ou sa connectivité à d'autres mots qui partagent une partie de sa forme.

Cette méthode a été utilisée dans la présente étude pour déterminer si la vitesse de reconnaissance des mots est influencée par différents facteurs chez les adultes plus jeunes et plus âgés et chez les personnes atteintes de la maladie d'Alzheimer (MA) ou d'une déficience cognitive légère (MCI)3. La méthode décrite ici est basée sur la reconnaissance visuelle des mots, mais peut être adaptée à la modalité auditive. Cependant, certaines variables qui sont des prédicteurs significatifs des temps de réaction dans une expérience visuelle typique de décision lexicale pourraient ne pas prévoir les latences de réponse dans une décision lexicale auditive ou peuvent avoir l'effet inverse. Par exemple, le quartier phonologique a l'effet inverse à travers ces deux modalités5: les mots avec de plus grands quartiers phonologiques présentent un effet facilitateur sur la reconnaissance visuelle des mots, mais entraînent des retards de réponse plus longs dans décision lexicale auditive6.

Les difficultés de recherche de mots chez les personnes âgées7 ont généralement été attribuées à la difficulté d'accéder à la forme de mot phonologique plutôt qu'à une ventilation de la représentation sémantique8. Cependant, la recherche aD a principalement porté sur les déclins sémantiques9,10,11,12,13,14. Il est important de démêler comment les facteurs sémantiques et orthographiques influencent la reconnaissance des mots écrits dans le vieillissement avec et sans déclin cognitif. L'influence des facteurs liés à la forme est plus prononcée chez les personnes âgées que chez les jeunes adultes, et elle demeure importante chez les personnes atteintes d'ICM ou d'AD3. Ainsi, cette méthodologie peut nous aider à découvrir des caractéristiques du lexique mental à travers différentes populations et identifier les changements dans l'organisation du lexique avec l'âge et la neuropathologie. Une préoccupation lors du dépistage des patients atteints de neuropathologie est qu'ils peuvent avoir des difficultés à accéder aux connaissances liées aux tâches. Cependant, la tâche de décision lexicale est une tâche simple sans fardeau sur la mémoire de travail ou d'autres compétences cognitives complexes que de nombreux patients présentent des problèmes avec. Il a été jugé approprié pour les populations de la MA et de l'ICM.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Le protocole suit les lignes directrices du Comité d'éthique du district hospitalier de Northern Savo (IRB00006251).

1. Dépistage des participants

  1. Recruter des personnes plus jeunes et plus âgées qui ont une vision normale ou corrigée à la normale et qui sont des locuteurs natifs de la langue testée, à moins que l'étude ne réponde à des questions de recherche précises concernant l'acquisition de la langue seconde.
  2. Pour les groupes témoins en bonne santé, exclure les participants qui ont des antécédents de troubles neurologiques ou psychiatriques.
  3. Pour les groupes cliniques, recruter des personnes qui ont été diagnostiquées avec la maladie d'Alzheimer15 ou une déficience cognitive légère16,17. Recruter uniquement les personnes qui sont en mesure de donner un consentement éclairé, selon le jugement du clinicien. Pour des comparaisons précises, faites correspondre la tranche d'âge et la moyenne des groupes cliniques à celle des participants âgés en bonne santé.
  4. Mesurez la gravité de la démence, par exemple, en utilisant l'échelle d'évaluation clinique de la démence18 (CDR, 0-no démence, 0,5 'très doux, 1 'mild, 2'moderate, 3'severe). Exclure les patients atteints de démence grave parce que la tâche peut être trop difficile pour eux. N'incluez pas les participants qui semblent incapables de suivre les instructions, malgré leur cote de gravité.

2. Construction de stimulus

  1. Sélectionnez des stimuli de mots pour répondre à des questions de recherche spécifiques, par exemple, si les variables sémantiques ou orthographiques/phonologiques ont une influence plus forte sur la reconnaissance des mots19 dans différentes populations.
  2. Calculer à partir d'un corpus20 ou récupérer à partir d'une base de données21 variables reflétant les caractéristiques sémantiques, phonologiques et orthographiques des stimuli afin qu'ils puissent être utilisés soit comme prédicteurs théoriquement motivés expliquant le mot temps de réaction de reconnaissance ou comme variables de contrôle. De plus, utilisez le sexe, l'âge et les années d'éducation des participants comme variables explicatives ou de contrôle.
  3. En plus des vrais mots, construire un ensemble de pseudo-mots assortis. Les pseudo-mots ressemblent à des mots réels en ce sens qu'ils sont conformes aux normes de la langue pour le placement de certaines lettres dans certaines positions de mots (phonotactiques). Afin de contrôler la phonotactique, créez des pseudo-mots, par exemple, en recombinant aléatoirement les premières syllabes de certains mots avec les deuxièmes syllabes d'autres mots. Supprimez tous les éléments qui sont arrivés à produire un mot réel grâce à cette recombinaison et tous les éléments qui violent les phonotactiques de la langue.
  4. Associez les pseudo-mots aux mots cibles en termes de longueur de mot dans les lettres et de fréquence bigram, qui est le nombre moyen de fois que toutes les combinaisons de deux lettres suivantes se produisent dans un corpus de texte. Il a été démontré que ces variables influencent la vitesse de reconnaissance.
    REMARQUE : La manipulation du ratio pseudo-mot (p. ex., le nombre de mots réels par rapport au nombre de pseudo-mots) peut mener à des résultats différents, les réponses aux stimuli moins probables étant plus lentes et moins précises22.
  5. Ajouter un ensemble de remplisseurs de mots réels afin de diminuer l'espérance du participant du prochain stimulus appartenant à un certain type (par exemple, une certaine classe inflexion). Choisissez-les, par exemple, parmi différentes catégories de mots (p. ex., classes inflectionnelles) que ceux utilisés pour construire des stimuli en fonction des caractéristiques d'intérêt.

3. Conception expérimentale

  1. Présenter les cordes de lettre horizontalement, une à la fois, sous-traitant un angle visuel d'environ 5 degrés.
  2. Commencez l'expérience par une séance de pratique qui comprend un petit nombre d'essais, avec un mot présenté par essai (p. ex., 15 mots et 15 pseudo-mots non inclus dans l'expérience réelle). Il s'agit de familiariser le participant avec la tâche et les boutons de réponse. Si le participant ne répond pas avec précision (bouton « oui » pour les mots réels et bouton « non » pour les pseudo-mots) pendant les essais d'entraînement, fournissez des commentaires et refaites la séance d'entraînement.
  3. Divisez l'expérience en blocs et donnez de courtes pauses après la séance d'entraînement et entre les blocs. Ces pauses permettent aux participants de se reposer les yeux et de réduire la fatigue.
  4. Commencez chaque nouveau bloc avec quelques éléments de remplissage qui ne seront pas inclus dans l'analyse (par exemple, les noms communs tels que chien, sœur, année) parce que les premiers essais du bloc sont parfois ignorés par les participants avec MCI ou AD.
  5. Présentez les objets expérimentaux dans un ordre aléatoire pour chaque participant.
  6. Commencer chaque essai avec une marque de fixation (p. ex., un signe) apparaissant au centre de l'écran pendant 500 ms, suivie d'un écran blanc pour un temps fixe (p. ex. 500 ms) ou variable (p. ex. 500-800 ms).
  7. Immédiatement après l'écran blanc, présentez une chaîne de lettre (mot ou pseudo-mot) pour 1 500 ms ou jusqu'à ce que le participant réponde.
  8. Après une réponse est faite ou après 1500 ms du début du mot (selon le premier), suivez à nouveau avec un écran blanc jusqu'à ce que 3000 ms a passé depuis le début de l'essai.
  9. Répétez cette séquence jusqu'à ce que tous les éléments de l'expérience aient été présentés.
    REMARQUE: Les temps pour le délai entre les stimuli servent d'exemple. Les modifier peut affecter le modèle des résultats.

4. Procédure expérimentale

  1. Placez le participant devant un écran d'ordinateur à une distance d'observation d'environ 80 cm dans une pièce normalement éclairée.
  2. Demandez au participant de décider aussi rapidement et avec précision que possible si la chaîne de lettre à l'écran est un vrai mot ou non en appuyant sur l'un des deux boutons correspondants avec leur main dominante (par exemple, l'index pour les mots réels et le majeur pour pseudo-mots) ou en utilisant l'index de chaque main.
    REMARQUE : Les participants essaient d'optimiser leurs performances en fonction des instructions. Ainsi, leurs réponses seront affectées par le stress de la vitesse sur la précision ou vice versa23.

5. Analyser les données à l''égard d'un modèle à effets mixtes en R

REMARQUE : De nombreux programmes statistiques différents peuvent être utilisés pour effectuer l'analyse. Cette section décrit les étapes pour l'analyse des données dans R24.

  1. Obtenir le temps de réaction (RT) mesuré en millisecondes pour chaque essai à partir du fichier de sortie du programme de présentation (par exemple, le logiciel E-Studio).
  2. Installer les paquets lme428 et lmerTest29. Attachez des paquets à la bibliothèque de fonctions ou exigez-
  3. Importer des données dans R en utilisant, par exemple, la fonction read.table.
  4. Vérifiez le besoin de transformation, par exemple, avec la fonction boxcox du paquet MASS 25, car la distribution des données RT est généralement très biaisée.
    Bibliothèque (MASS)
    boxcox (RT - Expnanatory-variable, données - yourdata)
    REMARQUE : Le graphique produit par la fonction boxcox montre un intervalle de confiance de 95 % pour le paramètre de transformation de boxcox. Selon les valeurs lambda situées dans cet intervalle, la transformation nécessaire peut être choisie, par exemple, 1 (transformation inverse), 0 (transformation logarithmique), 1/2 (transformation de la racine carrée) et 1/3 (transformation de la racine du cube).
    1. Transformez les valeurs RT à l'aide de RT transformées inversées (p. ex. -1000/RT) ou de logarithmes binaires de RT (p. ex., log2(RT)) puisque ces transformations ont tendance à fournir des distributions plus normales pour les temps de réaction dans les expériences de décision lexicales que les RT brutes. 26.
    2. Alternativement, utilisez des méthodes statistiques qui ne reposent pas sur des distributions normales et s'adaptent à des modèles linéaires robustes à effets mixtes et fournissez des estimations sur les valeurs aberrantes ou autres sources de contamination qui ont peu d'influence27.
  5. Étant donné que les analyses du temps de réaction sont généralement effectuées sur des réponses précises, exclure les essais dans lesquels la réponse des participants était incorrecte (une réponse « non » aux mots réels) ainsi que les omissions.
    1. En outre, exclure les réponses aux pseudo-mots et les charges à moins qu'il n'y ait des hypothèses spécifiques à leur sujet.
    2. Exclure les essais dont les temps de réponse sont supérieurs à 300 ms parce qu'ils indiquent généralement que le participant a été trop tard pour répondre à un stimulus antérieur ou qu'il a accidentellement appuyé sur le bouton de réponse avant de lire le stimulus.
  6. Construire un modèle linéaire de base à effets mixtes qui identifie RT comme la mesure des résultats et le sujet, l'article, et l'essai comme des effets aléatoires. Notez que les variables dont les valeurs sont échantillonnées au hasard à partir d'un ensemble plus large (population) de valeurs sont incluses comme des effets aléatoires et des variables avec un petit nombre de niveaux ou pour lesquelles tous les niveaux sont inclus dans les données sont des effets fixes. Ajouter les effets aléatoires dans le formulaire (1 Sujet) afin d'estimer les interceptions aléatoires pour chacun des effets aléatoires.
    G1 (RT) (1 Objet) (1 Article) (1 Essai), données et yourdata)
    Résumé (g1)
  7. Ajoutez des variables explicatives dans un ordre théoriquement motivé. Par exemple, ajoutez la fréquence de base des mots comme effet fixe. Certaines variables, telles que la fréquence de base ou de surface, ont des distributions Zipfian, donc les insérer dans le modèle avec une transformation qui se traduit par une forme de distribution plus Gaussian, par exemple, la transformation logarithmique.
    G2 (RT ' journal(BaseFréquence' 1) Objet) (1 Article) (1 Essai), données et yourdata)
    Résumé (g2)
  8. Vérifiez avec la fonction Anova si l'ajout de chaque prédicteur (p. ex., BaseFrequency) a considérablement amélioré la puissance prédictive du modèle par rapport à un modèle sans prédicteur.
    anova (g1, g2)
    1. S'il n'y a pas de différence significative dans l'ajustement du nouveau modèle par rapport au modèle plus simple, préférez le modèle le plus simple avec moins de prédicteurs. Vérifiez également le critère d'information Akaike (AIC)30 de chaque modèle. L'AIC est une mesure de la façon dont les modèles statistiques s'adaptent à un ensemble de données selon la probabilité maximale. Des valeurs inférieures indiquent un meilleur ajustement pour les données31.
      AIC (g1); AIC (g2)
  9. Répétez les étapes 5.7. et 5,8. en ajoutant d'autres variables explicatives, par exemple, certaines de celles qui sont présentées au tableau 1, un par un dans un ordre théoriquement motivé et en ne gardant que celles qui améliorent considérablement la puissance prédictive du modèle. Si l'asynchronie de début variable de stimulus a été employée, l'inclure comme variable à effet fixe dans le modèle.
  10. Vérifiez s'il y a des interactions théoriquement motivées entre les prédicteurs. Par exemple, ajoutez un terme d'interaction le journal de la fréquence de base parâge.
    G3 (RT ' journal(BaseFrequency' 1) ' Age ' log(BaseFrequency' (BaseFrequency) Objet) (1 Article) (1 Essai), données et yourdata)
    REMARQUE : Il est possible qu'un prédicteur soit significatif en tant que terme d'interaction avec une autre variable, mais pas significatif comme prédicteur principal. Dans ce cas, ne supprimez pas ce prédicteur du modèle (incluez-le également comme effet principal).
  11. Ajouter par participant pistes aléatoires32 pour les prédicteurs en incluant "1 " avant le nom variable, puis " Sujet », par exemple, (1 ' journal(BaseFrequency '1) ' Sujet), parce que les temps de réponse des participants peuvent être affectés par les caractéristiques lexicales des mots de différentes façons.
    REMARQUE : S'il existe de nombreux prédicteurs continus, leur permettre à tous d'avoir des pentes aléatoires est irréaliste parce que les modèles de pente aléatoire nécessitent de grandes quantités de données pour estimer avec précision les écarts et les covariances33,34. Dans le cas où le modèle maximal ne converge pas (en d'autres termes, avec succès calculer), simplifier le modèle33. Alternativement, implémentez des versions bayésiennes de modélisation multiniveau35.
  12. Exécutez l'analyse pour chaque groupe de participants séparément. Alternativement, exécutez une analyse sur toutes les données, avec le groupe comme prédicteur d'effet fixe, et puis testez pour une interaction du groupe par des prédicteurs significatifs.
    G4 (RT ' journal(BaseFréquence' 1) ' Age ' log(BaseFrequency ' 1) : Age ' Groupe ' log (BaseFrequency ' 1) : Groupe (BaseFrequency '1) : Groupe (1 ' journal (BaseFrequency 'BaseFrequency '1) Objet) (1 Article) (1 Essai), données et yourdata)
  13. Afin de supprimer l'influence des valeurs aberrantes possibles, excluez les points de données dont les résidus standardisés absolus dépassent, par exemple, 2,5 écarts-types26, et réadèrent le modèle avec les nouvelles données (yourdata2).
    Yourdata2 et yourdata [abs(scale(resid(g4))) 'lt; 2.5, ]
    G5 (RT ' journal(BaseFréquence' 1) ' Age ' log(BaseFrequency '1) : Age 'Groupe 'Groupe 'log'(BaseFrequency '1) : Groupe (1 ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' Objet) (1 Article) (1 Essai), données et yourdata2)
    REMARQUE : Tous les points de données extrêmes ne sont pas nocifs pour le modèle, seulement ceux qui ont un effet de levier excessif sur le modèle.
  14. Dans le cas de l'analyse exploratoire (axée sur les données), utilisez la régression progressive : inclure toutes les variables dans l'analyse initiale, puis supprimer les variables non significatives du modèle d'une manière étape par étape. Alternativement, utilisez la procédure automatique d'élimination des prédicteurs non significatifs avec la fonction d'étape fournie par le paquet lmerTest29.
    étape (g4)

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Le tableau 1 montre une liste de variables qui ont été obtenues à partir de trois sources différentes (un corpus, un dictionnaire et des essais pilotes d'éléments d'essai) qui sont incluses dans l'analyse en tant que prédicteurs à effet fixe. Beaucoup de ces variables ont été précédemment rapportées pour affecter la vitesse de reconnaissance de mot.

<...
corpus:

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

En utilisant une tâche linguistique simple qui ne nécessite pas de production linguistique, la présente étude a étudié l'impact de diverses variables lexicales sur la reconnaissance des mots chez les jeunes et les personnes âgées en santé neurologique, ainsi que chez les personnes atteintes de la maladie d'Alzheimer. ou une déficience cognitive légère. La tranche d'âge utilisée pour recruter des « personnes âgées » peut dépendre des intérêts de recherche spécifiques; cependant, la gamme pour le groupe de personnes âgées ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n'ont rien à révéler.

Remerciements

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

Nous remercions Minna Lehtonen, Tuomo Honninen, Merja Hallikainen et Hilkka Soininen pour leur contribution à la collecte et au traitement des données signalées ici. La collecte de données a été soutenue par VPH Dementia Research, rendue possible par l'accord de subvention no 601055 de l'UE.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Outils logiciels de psychologieE-Primeversion 2.0.10.356.
PC avec Windows et clavier
RR Foundation for Statistical ComputingR Core Team (2018). R : Un langage et un environnement pour l’informatique statistique. R Fondation pour l’informatique statistique, Vienne, Autriche. URL https://www.R-project.org/.

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Vitesse de reconnaissance des motsmod les effets mixtesanalyse en composantes principalesdonn es de temps de r actionvieillissement cognitifrecherche sur la d mencemaladie d Alzheimerprotocole exp rimental

Articles connexes