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

La tâche de décision lexicale est utilisée pour mesurer la vitesse de reconnaissance de mots. Cette tâche peut révéler les caractéristiques du lexique mental et comment le lexique change avec le vieillissement et les troubles neurodégénératifs. De nombreuses tâches linguistiques nécessitent la coordination du langage et d’autres aspects de la cognition.

La tâche de décision lexicale ne repose pas fortement sur d’autres capacités cognitives, qui peuvent être compromises dans certaines populations, telles que les patients atteints de démence. Dalia Garcia, notre directrice de laboratoire, aidera à démontrer la procédure. Placez le participant devant un écran d’ordinateur à une distance de visionnement d’environ 80 centimètres dans une pièce normalement éclairée.

Comment s’est passé le trajet ? C’était bien. Appuyez sur le bouton gauche si le mot est un vrai mot.

Demandez au participant de décider le plus rapidement et avec précision possible si la chaîne de lettres à l’écran est un vrai mot ou non en appuyant sur l’un des deux boutons correspondants. Commencez l’expérience par une séance d’entraînement qui comprend un petit nombre d’essais avec un mot présenté horizontalement par essai sous-tendant un angle visuel d’environ cinq degrés. Divisez l’expérience en blocs et donnez de courtes pauses après la séance d’entraînement et entre les blocs pour permettre aux participants de reposer leurs yeux et de réduire la fatigue.

Ensuite, commencez chaque nouveau bloc avec quelques éléments de remplissage de noms communs, tels que le chien, la sœur ou l’année, qui ne seront pas inclus dans l’analyse. Présentez les éléments dans un ordre aléatoire. Commencez chaque essai d’expérience avec une marque de fixation apparaissant au centre de l’écran pendant 500 millisecondes suivie d’un écran blanc pendant encore 500 millisecondes.

Immédiatement après l’écran blanc, présenter une chaîne de lettres pendant 1 500 millisecondes ou jusqu’à ce que le participant réponde. Enfin, après une réponse est faite, suivez à nouveau avec un écran blanc jusqu’à ce que 3000 millisecondes soit passée depuis le début de l’essai. Commencez par ouvrir le fichier de sortie du programme de présentation et obtenez le temps de réaction, mesuré en millisecondes, pour chaque essai.

Importer des données en R en utilisant, par exemple, la lecture. fonction de table. Installez les paquets lme4 et lmerTest.

Joindre les paquets avec la bibliothèque de fonction ou exiger. Vérifiez la nécessité d’une transformation à l’aide de la fonction boxcox car la distribution des données sur le temps de réaction est généralement fortement biaisée. Transformez les valeurs de temps de réaction à l’aide de temps de réaction transformé inversés ou de logarithmes binaires des temps de réaction puisque ces transformations ont tendance à fournir des distributions plus normales pour les temps de réaction dans les expériences de décision lexicales que les valeurs brutes du temps de réaction.

Ensuite, exclure les essais pseudo-mot et remplisseur ainsi que les réponses incorrectes et les omissions. Exclure les essais dont les temps de réponse sont plus rapides que 300 millisecondes parce qu’ils indiquent généralement que le participant était trop tard pour répondre à un stimulus précédent. Ensuite, construisez un modèle d’effets mixtes linéaires de base qui identifie les temps de réaction comme mesure des résultats et élément de sujet et essai comme effets aléatoires.

Ajoutez les effets aléatoires afin d’estimer les interceptions aléatoires pour chacun des effets aléatoires. Ajoutez des variables explicatives dans un ordre théoriquement motivé. Par exemple, ajoutez la fréquence basée sur les mots comme un effet fixe.

Insérez des variables, telles que la fréquence de base ou de surface, dans le modèle avec une transformation qui se traduit par une forme de distribution plus gaussienne. Vérifiez avec la fonction anova si l’ajout de chaque prédicteur a considérablement amélioré la puissance prédictive du modèle par rapport à un modèle sans le prédicteur. S’il n’y a pas de différence significative dans l’ajustement du nouveau modèle par rapport au modèle plus simple, choisissez le modèle le plus simple avec moins de prédicteurs.

Ensuite, vérifiez le critère d’information Akaike de chaque modèle à l’aide de la fonction AIC. Des valeurs inférieures indiquent un meilleur ajustement pour les données. Ensuite, vérifiez les interactions théoriquement motivées entre les prédicteurs.

Par exemple, ajoutez un terme d’interaction, le journal de fréquence de base par âge. Ajoutez ensuite par participant des pentes aléatoires pour les prédicteurs en incluant un plus avant le nom variable, puis une barre verticale, puis un sujet, parce que les temps de réaction des participants peuvent être affectés par leurs caractéristiques individuelles ou par les caractéristiques de words’lexical de différentes manières. Exécutez l’analyse pour chaque groupe participant séparément ou exécutez une analyse sur toutes les données avec groupe comme prédicteur d’effet fixe, puis testez pour une interaction de groupe par des prédicteurs significatifs.

Afin d’éliminer l’influence des valeurs aberrantes possibles, exclure les points de données dont les résidus normalisés absolus dépassent 2,5 écarts types et réaménager le modèle avec les nouvelles données. Enfin, dans le cas de l’analyse exploratoire axée sur les données, utilisez une régression dans le sens inverse. Inclure toutes les variables dans l’analyse initiale, puis supprimer les variables non significatives du modèle d’une manière étape par étape.

Ces résultats indiquent comment la vitesse de reconnaissance des mots peut être différente pour les jeunes adultes et les personnes âgées. Seulement deux composants principaux, PC1 et PC4, étaient significatifs dans les jeunes adultes. Trois composants étaient des prédicteurs significatifs dans les modèles pour des contrôles plus âgés, des individus avec l’affaiblissement cognitif doux, et des individus avec la maladie d’Alzheimer.

Ce troisième composant, PC2, est interprété comme reflétant l’influence des aspects basés sur la forme d’un mot sur la vitesse de reconnaissance des mots. En outre, une différence intéressante entre les trois groupes de personnes âgées a émergé. L’éducation a prédit de façon significative la vitesse de reconnaissance des mots pour les personnes âgées témoins et les personnes ayant une déficience cognitive légère, mais pas pour les personnes atteintes de la maladie d’Alzheimer.

Cette méthodologie peut être appliquée à d’autres types de questions sur le lexique mental et à d’autres populations, telles que les multilingues et les personnes atteintes d’aphasie.