치매 또는 경도 인지 장애가 있거나 없는 성인에서 서면 단어 인식을 연구하기위한 어휘 결정 작업

요약

이 문서에서는 신경학적으로 건강한 참가자와 치매 및 인지 기능 저하를 가진 개인에서 서면 단어 인식을 평가하기 위한 간단한 어휘 결정 실험을 구현하는 방법을 설명합니다. 또한 주 성분 분석(PCA) 및 혼합 효과 모델링을 사용하여 반응 시간 분석에 대한 자세한 설명을 제공합니다.

초록

노인은 젊은 성인보다 시각적 개체를 인식하는 속도가 느립니다. 문자 문자열이 실제 단어임을 인식하는 경우도 마찬가지입니다. 알츠하이머 병 (AD) 또는 경도 인지 장애 (MCI)를 가진 사람들은 노인 통제보다 서면 단어 인식에서 더 긴 응답을 보여줍니다. 노화와 신경 인지 장애에서 느린 인식으로 일반적인 경향에도 불구 하 고, 단어의 특정 특성 영향 단어 인식 속도 나이 또는 신경 병 리 (예를 들어, 단어의 사용 빈도). 우리는 여기에 젊은 노인과 MCI 또는 AD를 가진 사람들에게 투여 간단한 어휘 결정 실험에서 단어 인식 응답 시간에 어휘 특성의 영향을 검사하기위한 프로토콜을 제시한다. 이 실험에서 참가자는 주어진 문자 문자열이 실제 단어인지 아닌지를 가능한 한 빠르고 정확하게 결정하도록 요청받습니다. 또한 다양한 유형의 어휘 변수 또는 단어 인식 속도에 대한 참가자의 개별 특성의 영향을 감지하는 데 사용할 수 있는 혼합 효과 모델 및 주요 구성 요소 분석을 설명합니다.

서론

단어는 고도로 상호 연결된 네트워크의 정신 어휘에 저장됩니다. 단어 간의 연결은 의미 적 유사성 (예 : 개 및 고양이), 형태 유사성 (개 및 안개) 또는 일반적인 언어 사용 (예 : 개 및 개및 기타)에서 빈번한 동거와 같은 공유 속성을 반영 할 수 있습니다. 끈)을 사용 기반 이론^1과같은 언어의 인지 이론은 언어 사용자가 단어를 만날 때마다 단어의 정신 적 표현에 영향을 미친다고 주장합니다. 모범 이론에 따르면, 단어의 표현은 언어 사용의 개별 토큰에서 구축되고 주어진 범주에 존재하는 가변성을 나타내는 많은 예시로 구성됩니다. 사용 빈도^2는 예시 1의 강도에 기여하여 메모리의표현에 영향을 미칩니다.

단어 인식 속도는 정신 어휘의 특성을 나타낼 수 있습니다. 단어 인식 속도를 측정하는 데 일반적으로 사용되는 실험 패러다임은 어휘 결정 작업입니다. 이 작업에서 참가자는 모니터에 한 번에 하나씩 문자 문자열을 표시합니다. 그들은 화면의 문자 문자열이 해당 버튼을 눌러 실제 단어인지 여부를 가능한 한 빨리 결정하도록 지시받습니다.

실제 단어에 대한 반응 시간을 조사하여 연구원은 언어 처리에 대한 중요한 질문을 해결할 수 있습니다. 예를 들어, 어떤 요인이 더 빨리 인식을 하는지 식별하면 정신 어휘의 구조에 대한 가설을 테스트하고 아키텍처를 나타낼 수 있습니다. 더욱이, 참가자의 다른 단에 걸친 성과의 비교는 우리가 언어 경험의 각종 모형의 영향을 이해하는 것을 도울 수 있습니다, 또는, 노화 또는 신경 퇴행성 질병 (예를 들면, 알츠하이머 병)의 경우에, 인식의 역할 감소.

일부 요인(예: 사용 빈도)은 다른 요인(예: 단어 길이)보다 단어 인식에 더 큰 영향을 미칩니다. 나이가 들어도 사람들이 글을 쓰는 것을인식하는 방식은 3,⁴. 젊은 성인은 단어의 의미론 (의미 기반) 측면에 크게 의존하는 경향이, 이러한 얼마나 많은 화합물 (예를 들어, 불독) 또는 파생 된 단어 (예를 들어, 강아지)대상 단어 (이 경우, 개)와 형태와 의미의 측면을 공유. 노인을 위한 단어 인식은 언어에서 두 개의 후속 문자가 함께 발생하는 빈도와 같은 양식 기반 측면에 의해 더 많은 영향을 받는 것으로 보입니다(예: 문자 조합 st는 조합보다 영어 단어에서 더 자주 발생합니다) sk)를 참조하십시오.

서로 다른 그룹에 걸쳐 단어 인식 속도에 영향을 미치는 요인을 결정하기 위해 연구원은 자극 세트의 특정 변수를 조작한 다음 이러한 변수의 힘을 테스트하여 단어 인식 속도를 예측할 수 있습니다. 예를 들어, 단어 인식이 의미 론적 또는 양식 기반 요인에 의해 구동되는지 여부를 테스트하기 위해 자극 세트에는 정신 어휘의 의미 론적 이웃에 대한 단어 연결 정도 또는 다른 단어와의 연결을 반영하는 변수가 포함되어야 합니다. 해당 양식의 일부를 공유합니다.

이 방법은 단어 인식 속도가 젊은 노인과 알츠하이머 병 (AD) 또는 경도 인지 장애 (MCI)를 가진 개인에있는 다른 요인에 의해 영향을 받는지 여부를 조사하기 위하여 현재 연구 결과에서 이용되었습니다 3. 여기에 설명된 방법은 시각적 단어 인식을 기반으로 하지만 청각 양식에 맞게 조정할 수 있습니다. 그러나, 일반적인 시각적 어휘 적 의사 결정 실험에서 반응 시간의 중요한 예측 변수인 일부 변수는 청각 어휘 결정에서 응답 대기 시간을 예측하지 않거나 반대의 효과를 가질 수 있습니다. 예를 들어, 음운 이웃이 두 양식에 걸쳐 반대 효과를 가지고⁵: 더 큰 음운 이웃단어시각적 단어 인식에 촉진 효과를 전시하지만, 더 이상 응답 대기 시간을 초래 청각 어휘 결정⁶.

노인 7의 단어 찾기 어려움은 일반적으로 의미 체계 표현의 고장이 아닌 음운 단어 양식에 액세스하는 데 어려움에 기인했다^8. 그러나 AD 연구는 주로 의미 체계 감소9,^{10,11,12,13,14에}초점을 맞추고 있다. 의미체계와 직교 적 요인이 인지 기능 저하여부와 관계없이 노화에 기록된 단어의 인식에 어떤 영향을 미치는지 에 대해 혼란스러워하는 것이 중요합니다. 양식 관련 요인의 영향은 젊은 성인에서 보다는 더 오래된에서 더 두드러지고, MCI 또는 AD^3를가진 사람들에서 중요한 남아 있습니다. 따라서,이 방법론은 우리가 다른 인구에 걸쳐 정신 어휘의 특징을 발견하고 나이와 신경 병리학을 가진 어휘의 조직에 있는 변경을 확인하는 것을 도울 수 있습니다. 신경 병리학을 가진 환자를 시험할 때 1개의 관심사는 그(것)들이 작업 관련 지식에 접근하는 어려움이 있을 수 있다는 것입니다. 그러나, 어휘 결정 작업은 많은 환자가 문제를 전시 하는 작업 메모리 또는 다른 복잡 한 인지 능력에 부담 없이 간단한 작업. AD 및 MCI 인구에 대 한 적절 한 것으로 간주 되었습니다.

프로토콜

이 프로토콜은 북부 사보 병원 지구 윤리위원회 (IRB00006251)의 지침을 따릅니다.

1. 참가자 심사

1. 제2외국어 습득과 관련된 특정 연구 질문을 다루지 않는 한, 정상 또는 정상 시력을 교정하고 시험된 언어의 원어민인 젊은 및 노인을 모집합니다.
2. 건강한 대조군의 경우, 신경학적 또는 정신적 장애의 병력이 있는 참가자를 제외하십시오.
3. 임상 그룹의 경우, 알츠하이머 병으로 진단 된 개인을 모집¹⁵ 또는 경도 인지 장애^16,17. 임상의의 판단에 따라 정보에 입각한 동의를 할 수 있는 사람만 모집합니다. 정확한 비교를 위해, 건강한 노인 참가자의 그것과 임상 단의 나이 범위 및 평균을 일치시다.
4. 치매의 중증도를 측정, 예를 들어, 임상 치매 등급 척도를 사용하여¹⁸ (CDR, 0 = 치매 없음, 0.5 = 매우 온화한, 1 = 온화한, 2 = 보통, 3 = 심한). 작업이 그(것)들을 위해 너무 어려울 지도 모르기 때문에 가혹한 치매를 가진 환자를 제외하십시오. 심각도 등급에도 불구하고 지침을 따르지 못하는 참가자는 포함하지 마십시오.

2. 자극 구조

1. 의미 론적 또는 직교/음운 변수가 다른 집단에서 단어 인식^19에 더 강한 영향을 미치는지 여부와 같은 특정 연구 질문을 해결하기 위해 단어 자극을 선택합니다.
2. corpus^20에서 계산하거나 자극의 의미론, 음운 학 및 직교 특성을 반영하는 데이터베이스²¹ 변수에서 검색하여 이론적으로 동기부여가 되는 예측 변수로 사용할 수 있습니다. 인식 반응 시간 또는 제어 변수로. 또한 참가자의 성별, 연령 및 교육 연도를 설명하거나 제어 변수로 사용합니다.
3. 실제 단어 외에도 일치하는 의사 단어 집합을 빌드합니다. 의사 단어는 특정 단어 위치 (phonotactics)에서 특정 문자를 배치하는 언어의 규범을 준수한다는 점에서 실제 단어와 유사합니다. 축음기를 제어하려면 의사 단어를 만드십시오. 이 재조합을 통해 실제 단어를 생성하기 위해 일어난 모든 항목과 언어의 phonotactics를 위반하는 모든 항목을 제거합니다.
4. 단어 길이와 bigram 빈도의 관점에서 대상 단어와 의사 단어를 일치, 두 후속 문자의 모든 조합이 텍스트 모음에서 발생하는 평균 횟수입니다. 이러한 변수는 인식 속도에 영향을 미치는 것으로 나타났습니다.
   참고: 의사 단어 비율(예: 의사 단어 수에 상대적인 실제 단어 수)을 조작하면 다른 결과가 발생할 수 있으며, 덜 가능성 있는 자극에 대한 응답이 느리고 덜 정확합니다^22.
5. 특정 유형(예: 특정 변곡물 클래스)에 속하는 다음 자극에 대한 참가자의 기대치를 줄이기 위해 실제 단어 필러 세트를 추가합니다. 예를 들어 관심 있는 특성에 따라 자극을 구성하는 데 사용되는 단어 범주(예: 굴절 클래스)에서 선택합니다.

3. 실험적인 디자인

1. 문자 문자열을 한 번에 하나씩 수평으로 표시하여 약 5°의 시각적 각도를 가합니다.
2. 실험당 한 단어(예: 실제 실험에 포함되지 않은 단어 15개 및 의사 단어 15개)를 포함하여 소수의 시험을 포함하는 연습 세션으로 실험을 시작합니다. 이는 참가자에게 작업 및 응답 단추를 숙지하기 위한 것입니다. 연습 시험 중에 참가자가 정확하게 응답하지 않으면(실제 단어에 대한 '예' 버튼' 및 의사 단어에 대한 '아니요' 버튼)을 제공하려면 피드백을 제공하고 연습 세션을 다시 실행합니다.
3. 실험을 블록으로 나누고 연습 세션 후와 블록 사이에 짧은 휴식을 제공합니다. 이 휴식은 참가자가 눈을 쉬게 하고 피로를 감소시킬 수 있게 합니다.
4. 블록의 처음 몇 가지 시험은 때때로 MCI 또는 AD와 참가자에 의해 무시되기 때문에 분석에 포함되지 않습니다 몇 필러 항목 (예를 들어, 개, 자매,년)와 함께 각 새로운 블록을 시작합니다.
5. 실험 항목을 각 참가자에 대해 무작위로 제시합니다.
6. 500ms에 대한 화면 중앙에 나타나는 고정 마크(예: + 기호)로 각 시험을 시작한 다음 고정(예: 500ms) 또는 가변 시간(예: 500-800ms)에 대한 빈 화면이 표시됩니다.
7. 빈 화면 바로 직후, 1,500ms 또는 참가자가 응답할 때까지 문자 문자열(단어 또는 의사 단어)을 제시합니다.
8. 응답이 이루어진 후 또는 단어의 발병에서 1,500 ms 후 (중 먼저 온다), 3000 ms가 재판의 시작부분에서 통과 될 때까지 빈 화면으로 다시 따라.
9. 실험의 모든 항목이 표시될 때까지 이 순서를 반복합니다.
   참고: 자극 사이의 지연 시간은 예로서 작용합니다. 변경하면 결과 패턴에 영향을 줄 수 있습니다.

4. 실험 절차

1. 참가자를 컴퓨터 모니터 앞에 놓고 보통 조명이 켜진 방에서 약 80cm의 시야를 확보합니다.
2. 참가자에게 화면의 문자 문자열이 실제 단어인지 여부를 가능한 한 빠르고 정확하게 결정하도록 지시하여 두 개의 해당 버튼 중 하나를 지배적 인 손으로 누르십시오 (예 : 실제 단어의 검지 손가락과 가운데 손가락 또는 각 손의 검지 손가락을 사용합니다.
   참고: 참가자는 지침에 따라 성과를 최적화하려고 합니다. 따라서, 그들의 응답은 정확도 또는 그 반대 의 경우²³을 통해 속도를 강조에 의해 영향을받을 것이다 .

5. R에서 혼합 효과 모델로 데이터 분석

참고: 분석을 수행하기 위해 다양한 통계 프로그램을 사용할 수 있습니다. 이 섹션에서는 R^24의데이터를 분석하기 위한 단계를 설명합니다.

1. 프리젠테이션 프로그램의 출력 파일(예: E-Studio 소프트웨어)에서 각 평가판에 대해 밀리초 단위로 측정된 반응 시간(RT)을 가져옵니다.
2. 패키지 lme4²⁸ 및 lmerTest^29를설치합니다. 함수 라이브러리 또는 요구되는 패키지를 첨부합니다.
3. read.table 함수를 사용하여 데이터를 R로 가져옵니다.
4. RT 데이터의 분포가 일반적으로 매우 비뚤어지므로 MASS 패키지^25의 boxcox 함수와 같이 변환의 필요성을 확인합니다.
   > 라이브러리 (MASS)
   > boxcox (RT ~ Expnanatory_변수, 데이터 = 귀하의 데이터)
   참고: boxcox 함수에 의해 생성된 그래프는 boxcox 변환 매개변수에 대한 95% 신뢰 구간을 보여줍니다. 이 간격 내에 있는 람다 값에 따라 필요한 변환(예: λ=-1(역 변환), λ=0(로그해트믹 변환), λ=1/2(정근 변환) 및 λ=1/3(큐브 루트 변환)을 선택할 수 있습니다.
   1. 이러한 변환은 원시 RT보다 어휘 적 의사 결정 실험에서 반응 시간에 대해 보다 정상적인 분포를 제공하는 경향이 있기 때문에 반전된 변환된 RT(예: -1000/RT) 또는 RT의 이진 로그할리(예: log2(RT)))를 사용하여 RT 값을 변환합니다. ²⁶.
   2. 또는 정규 분포에 의존하지 않고 강력한 선형 혼합 효과 모델에 맞지 않는 통계 적 방법을 사용하여 이상치 또는 기타 오염 소스가 거의 영향을 미치지 않는 추정치를 제공합니다^27.
5. 반응 시간 분석은 일반적으로 정확한 응답에 대해 수행되기 때문에 참가자의 반응이 올바르지 않은 시험(실제 단어에 대한 "아니오"의 응답)과 누락은 제외합니다.
   1. 또한 의사 단어및 필러에 대한 구체적인 가설이 없는 한 응답을 제외합니다.
   2. 일반적으로 참가자가 이전 자극에 너무 늦게 반응했거나 자극을 읽기 전에 응답 버튼을 실수로 눌렀다는 것을 나타내기 때문에 응답 시간이 300ms보다 빠른 시험을 제외합니다.
6. RT를 결과 측정값으로 식별하고 주제, 항목및 평가판을 임의 효과로 식별하는 기본 선형 혼합 효과 모델을 빌드합니다. 값이 더 큰 집합(모집단)에서 임의로 샘플링되는 변수는 임의 효과로 포함되며, 레벨수가 적거나 데이터에 포함된 모든 수준이 고정 된 효과로 포함됩니다. 양식에 임의 효과 추가 (1 | 대상) 각각의 무작위 효과에 대한 임의 차단을 추정하기 위해.
   > g1 = lmer (RT ~ (1 | 주제) + (1 | 항목) + (1 | 평가판), 데이터 = 데이터)
   > 요약 (g1)
7. 이론적으로 동기부여된 순서로 설명 변수를 추가합니다. 예를 들어 단어의 기본 빈도를 고정 효과로 추가합니다. 기준 또는 표면 주파수와 같은 일부 변수에는 Zipfian 분포가 있으므로 변형을 통해 모델에 삽입하여 더 많은 가우시안 분포 셰이프(예: 로그하리 변환)를 생성합니다.
   > g2 = lmer (RT ~ 로그 (기본 주파수 + 1) + (1 | 주제) + (1 | 항목) + (1 | 평가판), 데이터 = 데이터)
   > 요약 (g2)
8. 각 예측 변수(예: BaseFrequency)를 추가하는 경우 Anova 함수를 사용하여 예측 변수가 없는 모델에 비해 모델의 예측 전력이 크게 향상되었습니다.
   > 아노바 (g1, g2)
   1. 간단한 모델에 비해 새 모델의 적합성에 큰 차이가 없는 경우 예측 변수가 적은 가장 간단한 모델을 선호합니다. 또한 각 모델의 아카이케 정보 기준(AIC)^30도를 확인하십시오. AIC는 통계 모델이 최대 가능성에 따라 데이터 집합에 얼마나 잘 맞는지 측정한 값입니다. 값이 낮을수록 데이터^31에더 잘 맞음을 나타냅니다.
      > AIC (g1); AIC (g2)
9. 5.7단계를 반복합니다. 및 5.8. 예를 들어 표1에 제시되는 변수 중 일부는 이론적으로 동기부여된 순서로 하나씩 다른 설명 변수를 추가하고 모델의 예측 능력을 크게 향상시키는 변수만 유지합니다. 가변 자극 개시 비동기가 사용된 경우 모델에서 고정 효과 변수로 포함합니다.
10. 예측 변수 간의 이론적으로 동기 부여된 상호 작용을 확인합니다. 예를 들어, 연령별 기본 주파수 로그상호 작용 의 기간을 추가합니다.
    > g3 = lmer (RT ~ 로그 (기본 주파수 + 1) + 연령 + 로그 (기본 주파수 + 1) : 연령 + (1 | | 주제) + (1 | 항목) + (1 | 평가판), 데이터 = 데이터)
    참고: 예측 변수는 다른 변수와의 상호 작용 용어로 중요하지만 주 예측 변수로는 중요하지 않을 수 있습니다. 이 경우 모델에서 이 예측 변수를 제거하지 마십시오(주요 효과로도 포함).
11. 변수 이름 앞에 "1 +"를 포함하여 예측 변수에 대한 참가자별 무작위 슬로프^32를 추가한 다음 "| 제목", 예를 들어,(1 + 로그(기본주파수 +1) | 제목)참가자의 응답 시간은 다른 방법으로 단어의 어휘 특성에 의해 영향을받을 수 있기 때문에.
    참고: 연속 예측 변수가 많은 경우 임의 경사 모델은 분산 및 공변333을 정확하게 추정하기 위해 많은 양의데이터가 필요하기 때문에 모두 임의의 경사를 갖도록 허용하는 것은 비현실적입니다. 최대 모델이 수렴되지 않는 경우(즉, 성공적으로 계산) 모델^33을단순화합니다. 또는 다단계 모델링^35의베이지안 버전을 구현합니다.
12. 각 참가자 그룹에 대한 분석을 별도로 실행합니다. 또는 그룹을 고정 효과 예측 변수로 사용하여 모든 데이터에 대한 분석을 실행한 다음 중요한 예측 변수에 의한 그룹 상호 작용을 테스트합니다.
    > g4 = lmer (RT ~ 로그 (기본 주파수 + 1) + 연령 + 로그 (기본 주파수 + 1) : 연령 + 그룹 + 로그 (기본 주파수 + 1) : 그룹 + (1 + 로그 + 1 | | 주제) + (1 | 항목) + (1 | 평가판), 데이터 = 데이터)
13. 가능한 이상값의 영향을 제거하려면 표준 잔차가 초과되는 데이터 요소를 제외하고 표준 편차^26(예:2.5표준 편차 26)을 제거하고 새 데이터(yourdata2)로 모델을 다시 맞춥니다.
    > 당신의 데이터2 = 당신의 데이터 [복근 (규모 (resid (resid(g4))) ) & lt; 2.5, ]
    > g5 = lmer (RT ~ 로그 (기본 주파수 + 1) + 연령 + 로그 (기본 주파수 + 1) : 연령 + 그룹 + 로그 (기본 주파수 + 1) : 그룹 + (1 + 로그 +1 | | 주제) + (1 | 항목) + (1 | 평가판), 데이터 = 데이터2)
    참고: 모든 극단적인 데이터 요소가 모델에 유해한 것은 아니며 모델에 과도한 레버리지가 있는 데이터점만 해당합니다.
14. 탐색(데이터 기반) 분석의 경우 역방향 회귀를 사용합니다: 초기 분석에 모든 변수를 포함하고 모델에서 중요하지 않은 변수를 단계별 방식으로 제거합니다. 대안적으로, 패키지 lmerTest^29에서제공하는 스텝 함수를 사용하여 중요하지 않은 예측 변수를 제거하는 자동 절차를 사용한다.
    > 스텝 (g4)

결과

표 1은 고정 효과 예측 변수로 분석에 포함된 세 가지 다른 소스(테스트 항목의 모음, 사전 및 파일럿 테스트)에서 얻은 변수 목록을 보여 주며, 이 변수의 목록을 보여 주며, 이 변수는 테스트 항목의 모음입니다. 이러한 변수의 대부분은 이전에 단어 인식 속도에 영향을 미치는 것으로 보고되었습니다.

...

모음:
기본 주파수	단어가 모든 다른 형태의 코퍼스에 나타나는 횟수(예: 어린이 및 자식)
빅람 주파수	두 후속 문자의 모든 조합이 코퍼스에서 발생하는 평균 횟수
형태학적 가족 크기

토론

언어 제작을 필요로하지 않는 간단한 언어 작업을 사용하여, 본 연구는 알츠하이머 병을 가진 사람들뿐만 아니라 신경학적으로 건강한 젊은 노인의 단어 인식에 다양한 어휘 변수의 영향을 조사 또는 가벼운 인지 장애. "노인"을 모집하는 데 사용되는 연령대는 특정 연구 관심사에 따라 달라질 수 있습니다. 그러나, 건강한 노인 단을 위한 범위는 동일 연구 결과모집된 MCI 또는 AD를 가진 개별을 위한 나이 범위 그리고 분포를 가능한 한 가깝게 일치해야 합니다.

예측 변수 간의 공선성을 피하기 위해 어휘 변수는 주 성분으로 직교화되고 반응 시간이 종속 변수로 제공되는 혼합 효과 모델에 추가되었습니다. 간단한 어휘 결정 실험과 혼합 효과 회귀 분석의 조합은 AD를 가진 환자를 위한 언어 어려움이 의미 체계에 변경에 기인할 수 있다는 것을 새로운 발견으로 이끌어 냈습니다 그러나 또한 증가한 신뢰도에 단어 양식에. 흥미롭게도, 비슷한 패턴 가벼운 인지 장애와 인지 건강 한 노인을 가진 사람들을...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
E-Prime	심리학 소프트웨어 도구	버전 2.0.10.356.
Windows 및 키보드
R	R Foundation for Statistical Computing	R Core Team(2018). R: 통계 컴퓨팅을 위한 언어 및 환경입니다. R Foundation for Statistical Computing, 오스트리아 비엔나. URL https://www.R-project.org/.