Waiting
로그인 처리 중...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

مهمة القرار المعجمي لدراسة الاعتراف الكتابي بالكلمات في البالغين الذين يعانون من الخرف أو الاختلال المعرفي الخفيف أو غير المنضوين

Published: June 25, 2019 doi: 10.3791/59753
Automatic Translation
1, 2,3, 4, 5,6
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

Summary

توضح هذه المقالة كيفية تنفيذ تجربة قرار معجمي بسيط لتقييم الاعتراف بالكلمات المكتوبة في المشاركين الأصحاء عصبياً وفي الأفراد الذين يعانون من الخرف والتدهور المعرفي. كما نقدم وصفا مفصلا لتحليل وقت رد الفعل باستخدام تحليل المكونات الرئيسية (PCA) ونمذجة الآثار المختلطة.

Abstract

كبار السن أبطأ في التعرف على الأشياء البصرية من البالغين الأصغر سنا. وينطبق الشيء نفسه على الاعتراف بأن سلسلة أحرف هي كلمة حقيقية. الأشخاص الذين يعانون من مرض الزهايمر (AD) أو ضعف الإدراك الخفيف (MCI) تظهر استجابات أطول في الاعتراف كلمة مكتوبة من الضوابط المسنين. على الرغم من الاتجاه العام نحو الاعتراف أبطأ في الشيخوخة والاضطرابات العصبية المعرفية، بعض خصائص الكلمات تؤثر على سرعة التعرف على كلمة بغض النظر عن العمر أو علم الأمراض العصبية (على سبيل المثال، تردد كلمة استخدام). نحن نقدم هنا بروتوكول لدراسة تأثير الخصائص اللغوية على أوقات استجابة التعرف على الكلمات في تجربة قرار معجمي بسيط تدار للبالغين الأصغر سنا وكبار السن والأشخاص الذين يعانون من MCI أو AD. في هذه التجربة، يطلب من المشاركين أن يقرروا بأسرع وبدقة قدر الإمكان ما إذا كانت سلسلة أحرف معينة هي كلمة فعلية أم لا. كما نوصف نماذج الآثار المختلطة وتحليل المكونات الرئيسية التي يمكن استخدامها للكشف عن تأثير أنواع مختلفة من المتغيرات اللغوية أو الخصائص الفردية للمشاركين على سرعة التعرف على الكلمات.

Introduction

يتم تخزين الكلمات في المعجم العقلي في شبكة مترابطة للغاية. قد تعكس الاتصالات بين الكلمات الخصائص المشتركة، مثل التشابه الدلالي (مثل الكلب والقط)، أو تشابه الشكل (الكلب والضباب)، أو تكرار الحدوث المشترك في الاستخدام اللغوي الشائع (مثل الكلب والكلب و المقود). النظريات المعرفية للغة، مثل النظريةالمستندة إلى الاستخدام 1، يجادل بأن كل لقاء كلمة من قبل مستخدم لغة له تأثير على التمثيل العقلي للكلمة. وفقا ل نظرية نموذجيّة, يتألّف كلمة تمثيل كثير نماذج, أيّ يكون بنيت فوق من رموز فرديّة من لغة إستعمال وأيّ يمثّل التباين يتواجد ل يعطى صنف. تردد استخدام2 تأثيرات التمثيلات في الذاكرة من خلال المساهمة في قوة نموذج1.

سرعة التعرف على الكلمات يمكن أن تكشف عن خصائص المعجم العقلي. ومن النماذج التجريبية الشائعة الاستخدام لقياس سرعة التعرف على الكلمات مهمة القرار اللغوي. في هذه المهمة، يتم تقديم المشاركين مع سلاسل الأحرف على جهاز عرض، واحد في وقت واحد. يتم توجيههم لتقرير بأسرع وقت ممكن ما إذا كانت سلسلة الحروف على الشاشة هي كلمة حقيقية أم لا عن طريق الضغط على الزر المقابل.

من خلال دراسة أوقات رد الفعل للكلمات الحقيقية، يمكن للباحثين معالجة عدد من الأسئلة الهامة حول معالجة اللغة. على سبيل المثال، تحديد العوامل التي تجعل التعرف بشكل أسرع يمكن اختبار الفرضيات حول بنية المعجم العقلي والكشف عن بنيته. وعلاوة على ذلك، يمكن أن تساعدنا مقارنات الأداء عبر مجموعات مختلفة من المشاركين على فهم تأثير أنواع مختلفة من الخبرة اللغوية، أو، في حالة الشيخوخة أو الأمراض العصبية (على سبيل المثال، مرض الزهايمر)، ودور المعرفي انخفاض.

وثمة عوامل (مثل تواتر الاستخدام) لها تأثير أكبر على التعرف على الكلمات من العوامل الأخرى (مثل طول الكلمة). مع تقدم العمر، قد تتغير الطريقة التي يتعرف بها الناس على الكلمات المكتوبة3،4. يميل البالغون الأصغر سناً إلى الاعتماد بشكل كبير على الجوانب الدلالية (القائمة على المعنى) للكلمة، مثل عدد المركبات (مثل بلدغ)أو الكلمات المشتقة (مثل الكلب)تشارك جوانب الشكل والمعنى مع الكلمة المستهدفة (في هذه الحالة، الكلب). التعرف على الكلمات لكبار السن يبدو أن تتأثر أكثر بالجوانب المستندة إلى النموذج، مثل التردد الذي يحدث فيه حرفان لاحقان في اللغة (على سبيل المثال، يحدث تركيبة الحروف في كثير من الأحيان في الكلمات الإنجليزية من الجمع بين الحروف sk).

لتحديد العوامل التي تؤثر على سرعة التعرف على الكلمة عبر مجموعات مختلفة، يمكن للباحث التعامل مع متغيرات معينة في مجموعة التحفيز ومن ثم اختبار قوة هذه المتغيرات للتنبؤ بسرعة التعرف على الكلمات. على سبيل المثال، لاختبار ما إذا كان التعرف على الكلمات مدفوع بعوامل دلالية أو مستندة إلى الشكل، يجب أن تتضمن مجموعة التحفيز متغيرات تعكس درجة توصيل كلمة ما بجيرانها الدلاليين في المعجم الذهني أو اتصالها بكلمات أخرى التي تشترك في جزء من شكلها.

وقد استخدمت هذه الطريقة في الدراسة الحالية للتحقيق في ما إذا كانت سرعة التعرف على كلمة تتأثر عوامل مختلفة في البالغين الأصغر سنا وكبار السن وفي الأفراد الذين يعانون من مرض الزهايمر (AD) أو ضعف الإدراك الخفيف (MCI)3. تستند الطريقة الموصوفة هنا إلى التعرف على الكلمات المرئية ولكن يمكن تكييفها مع طريقة السمع. ومع ذلك، فإن بعض المتغيرات التي هي تنبؤات هامة لأوقات رد الفعل في تجربة قرار معجمي بصري نموذجي قد لا تتنبأ بتأخر الاستجابة في قرار معجمي سمعي أو قد يكون لها تأثير عكسي. على سبيل المثال، حي الصوت له تأثير عكسيعبر هاتين الطريقتين 5: الكلمات مع أحياء أكبر الصوتية تظهر تأثير ميسر على التعرف على الكلمة البصرية ولكن يؤدي إلى استجابة أطول latencies في القرار السمعي ةيلاقلا

ويعزى عموما صعوبات تقصي الكلمات في كبار السن7 إلى صعوبة الوصول إلى شكل الكلمة الصوتية بدلا من انهيار التمثيل الدلالي8. ومع ذلك، ركزت البحوث الإعلانية في المقام الأول على الانخفاضات الدلالية9،10،11،12،13،14. من المهم فصل كيفية تأثير العوامل الدلالية والتقويمية على الاعتراف بالكلمات المكتوبة في الشيخوخة مع وبدون التدهور المعرفي. تأثير العوامل المرتبطة بالنموذج هو أكثر وضوحا في كبار السن مما كانت عليه في البالغين الأصغر سنا، وأنها لا تزال كبيرة في الأشخاص الذين يعانون من MCI أو AD3. وبالتالي، يمكن لهذه المنهجية أن تساعدنا على الكشف عن ملامح المعجم العقلي عبر مختلف السكان وتحديد التغيرات في تنظيم المعجم مع العمر وعلم الأمراض العصبية. أحد الشواغل عند اختبار المرضى الذين يعانون من أمراض الأعصاب هو أنهم قد يواجهون صعوبات في الوصول إلى المعرفة المتعلقة بالمهمة. ومع ذلك، فإن مهمة القرار اللغوي هي مهمة بسيطة مع عدم وجود عبء على الذاكرة العاملة أو غيرها من المهارات المعرفية المعقدة التي تظهر العديد من المرضى مشاكل مع. وقد اعتُبر ذلك مناسباً للسكان في الألف من السكان وMCI.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

ويتبع البروتوكول المبادئ التوجيهية للجنة الأخلاقيات في منطقة مستشفى سافو الشمالية (IRB00006251).

1- فحص المشاركين

  1. تجنيد البالغين الأصغر سنا وكبار السن الذين لديهم رؤية طبيعية أو مصححة إلى طبيعية والناطقين باللغة الأصلية اختبار ما لم تعالج الدراسة أسئلة بحثية محددة فيما يتعلق اكتساب اللغة الثانية.
  2. بالنسبة لمجموعات التحكم الصحي، استبعاد المشاركين الذين لديهم تاريخ من الاضطرابات العصبية أو النفسية.
  3. للمجموعات السريرية, تجنيد الأفراد الذين تم تشخيص مرض الزهايمر15 أو ضعف إدراكي خفيف16,17. تجنيد الأفراد فقط الذين هم قادرون على إعطاء موافقة مستنيرة، وفقا لحكم الطبيب. لإجراء مقارنات دقيقة، تطابق الفئة العمرية والوسط من المجموعات السريرية مع أن من المشاركين الكبار الأصحاء كبار السن.
  4. قياس شدة الخرف، على سبيل المثال، باستخدام مقياس تصنيف الخرف السريري18 (CDR، 0+no الخرف، 0.5=معتدل جدا، 1 = معتدل، 2 = معتدل، 3 = شديدة). استبعاد المرضى الذين يعانون من الخرف الشديد لأن المهمة قد تكون صعبة جدا بالنسبة لهم. لا تشمل المشاركين الذين يبدو غير قادرين على اتباع التعليمات، على الرغم من تصنيف شدتها.

2- بناء الحوافز

  1. حدد محفزات الكلمات لمعالجة أسئلة بحثية محددة، على سبيل المثال، ما إذا كانت المتغيرات الدلالية أو المتغيرات الأرثوبية/الصوتية لها تأثير أقوى على التعرف على الكلمات19 في مجموعات مختلفة.
  2. حساب من مجموعة20 أو استرداد من قاعدة بيانات21 متغيرات تعكس الخصائص الدلالية، والصوتية، والتقويمية للمحفزات بحيث يمكن استخدامها إما كتنبؤات دوافع نظرية تشرح الكلمة مرات رد فعل التعرف أو كمتغيرات التحكم. أيضاً، استخدم نوع الجنس والعمر وسنوات التعليم كمتغيرات توضيحية أو تحكمية.
  3. بالإضافة إلى الكلمات الحقيقية، بناء مجموعة من الكلمات الزائفة المتطابقة. تشبه الكلمات الزائفة الكلمات الحقيقية من حيث أنها تتوافق مع معايير اللغة لوضع بعض الحروف في مواقف معينة من الكلمات (الفونوتكتيكيات). من أجل السيطرة على الفونوتيك، إنشاء الكلمات الزائفة، على سبيل المثال، عن طريق إعادة تجميع المقطعات الأولى عشوائيا من بعض الكلمات مع المقطعالثاني من كلمات أخرى. إزالة أي العناصر التي حدث لإنتاج كلمة حقيقية من خلال هذا إعادة الدمج وجميع العناصر التي تنتهك الفونوتيكس اللغة.
  4. تطابق الكلمات الزائفة مع الكلمات المستهدفة من حيث طول الكلمة في الحروف وتردد بيغرام، وهو متوسط عدد المرات التي تحدث فيها جميع تركيبات من حرفين لاحقة في مجموعة نصية. وقد ثبت أن هذه المتغيرات تؤثر على سرعة التعرف.
    ملاحظة: قد يؤدي التلاعب بنسبة الكلمات الزائفة (مثل عدد الكلمات الحقيقية بالنسبة لعدد الكلمات الزائفة) إلى نتائج مختلفة، مع الاستجابة للمحفزات الأقل احتمالاً إلى أبطأ وأقل دقة22.
  5. إضافة مجموعة من الحشو كلمة حقيقية من أجل تقليل المتوقع المشارك من التحفيز المقبل التي تنتمي إلى نوع معين (على سبيل المثال، فئة معينة الإنفائية). اختيارها، على سبيل المثال، من فئات الكلمات المختلفة (مثل الطبقات المنفّزة) من تلك المستخدمة في بناء المحفزات وفقًا لخصائص الفائدة.

3. التصميم التجريبي

  1. سلاسل الحرف الحالية أفقيا، واحد في وقت واحد، subtending زاوية بصرية من حوالي 5 درجة.
  2. بدء التجربة بدورة تدريبية تتضمن عدداً صغيراً من التجارب، مع تقديم كلمة واحدة لكل تجربة (على سبيل المثال، 15 كلمة و15 كلمة زائفة غير مدرجة في التجربة الفعلية). وهذا لتعريف المشارك بالمهمة وأزرار الاستجابة. إذا كان المشارك لا يستجيب بدقة ('نعم' زر لكلمات حقيقية و 'لا' زر للكلمات الزائفة) أثناء التجارب الممارسة، تقديم ردود الفعل وإعادة الدورة الممارسة.
  3. تقسيم التجربة إلى كتل وإعطاء فترات راحة قصيرة بعد جلسة الممارسة وبين الكتل. هذه الفواصل تسمح للمشاركين للراحة عيونهم وسوف تقلل من التعب.
  4. بدء كل كتلة جديدة مع عدد قليل من العناصر حشو التي لن تكون مدرجة في التحليل (على سبيل المثال، الاسم المشترك مثل الكلب، شقيقة، سنة) لأن المحاكمات القليلة الأولى من كتلة يتم تجاهلها في بعض الأحيان من قبل المشاركين مع MCI أو AD.
  5. تقديم العناصر التجريبية في ترتيب عشوائي لكل مشارك.
  6. ابدأ كل تجربة بعلامة تثبيت (على سبيل المثال، علامة +) تظهر في وسط الشاشة لمدة 500 مللي ثانية، تليها شاشة فارغة لـ ثابت (على سبيل المثال، 500 مللي ثانية) أو مقدار متغير من الوقت (على سبيل المثال، 500-800 مللي ثانية).
  7. مباشرة بعد الشاشة الفارغة، تقديم سلسلة أحرف (كلمة أو كلمة زائفة) ل1500 مللي ثانية أو حتى يستجيب المشارك.
  8. بعد إجراء استجابة أو بعد 1500 مللي ثانية من بداية الكلمة (أيهما يأتي أولاً)، اتبع مرة أخرى مع شاشة فارغة حتى 3000 ms قد مرت من بداية المحاكمة.
  9. كرر هذا التسلسل حتى يتم عرض كافة العناصر في التجربة.
    ملاحظة: أوقات التأخير بين المحفزات بمثابة مثال. قد يؤثر تغييرها على نمط النتائج.

4- الإجراء التجريبي

  1. ضع المشارك أمام شاشة الكمبيوتر على مسافة مشاهدة تبلغ حوالي 80 سم في غرفة مضاءة بشكل طبيعي.
  2. توجيه المشارك أن يقرر بأسرع وبدقة قدر الإمكان ما إذا كانت سلسلة الحروف على الشاشة هي كلمة حقيقية أم لا عن طريق الضغط على أحد زرين مناظرين بيدهم المهيمنة (على سبيل المثال، السبابة للكلمات الحقيقية والاصبع الأوسط ل pseudo-الكلمات) أو باستخدام السبابة من كل يد.
    ملاحظة: يحاول المشاركون تحسين أدائهم بما يتماشى مع الإرشادات. وبالتالي، سوف تتأثر ردودهم من خلال التأكيد على سرعة أكثر من الدقة أو العكسبالعكس 23.

5. تحليل البيانات مع نموذج الآثار المختلطة في R

ملاحظة: يمكن استخدام العديد من البرامج الإحصائية المختلفة لتنفيذ التحليل. يصف هذا القسم خطوات تحليل البيانات في R24.

  1. الحصول على وقت رد الفعل (RT) تقاس بالمللي ثانية لكل محاكمة من ملف الإخراج لبرنامج العرض التقديمي (على سبيل المثال، E-Studio البرمجيات).
  2. تثبيت حزم lme428 و lmerTest29. إرفاق حزم مع مكتبة الوظائف أو تتطلب.
  3. استيراد البيانات إلى R باستخدام، على سبيل المثال، وظيفة read.table.
  4. تحقق من الحاجة إلى التحويل، على سبيل المثال، مع وظيفة boxcox من حزمة MASS 25، كما عادة ما يكون توزيع البيانات RT منحرف للغاية.
    > المكتبة (MASS)
    > boxcox (RT ~ Expnanatory_variable، البيانات = البيانات الخاصة بك)
    ملاحظة: يبين الرسم البياني الذي تنتجه الدالة boxcox فاصل ثقة 95% لمعلمة التحول boxcox. اعتماداً على قيم لامدا الموجودة في هذه الفترة، يمكن اختيار التحويل المطلوب، على سبيل المثال، λ=−1 (التحول العكسي)، وλ =0 (التحويل اللوغاريتمي)، وλ =1/2 (تحويل الجذر التربيعي)، وλ=1/3 (تحويل جذر المكعب).
    1. تحويل قيم الـ RT باستخدام RTs المحولة المقلوبة (على سبيل المثال، -1000/RT) أو اللوغاريتم الثنائي ة من RTs (مثل log2(RT)) حيث أن هذه التحولات تميل إلى توفير توزيعات أكثر طبيعية لأوقات التفاعل في تجارب القرار المعجمي من RTs الخام 26.
    2. وبدلاً من ذلك، استخدم أساليب إحصائية لا تعتمد على التوزيعات العادية وتناسب نماذج قوية من الآثار المختلطة الخطية وتقدم تقديرات لا يكون لها تأثير يذكر على القيم المتطرفة أو مصادر التلوث الأخرى27.
  5. وبما أن تحليل وقت رد الفعل يجري عادة على ردود دقيقة، فإن استبعاد التجارب التي كان رد المشاركين فيها غير صحيح (رد "لا" على الكلمات الحقيقية) فضلا عن الإغفالات.
    1. أيضا، استبعاد الردود على الكلمات الزائفة والحشو إلا إذا كانت هناك فرضيات محددة عنهم.
    2. استبعاد التجارب مع أوقات استجابة أسرع من 300 مللي ثانية لأنها تشير عادة إلى أن المشارك كان متأخراجدا جداً في الاستجابة لحافز سابق أو أنه أو أنها ضغطت بطريق الخطأ على زر الاستجابة قبل قراءة التحفيز.
  6. بناء نموذج خطي أساسي للتأثيرات المختلطة يحدد RT كمقياس للنتائج وموضوع ، عنصر، وتجريبي كتأثيرات عشوائية. لاحظ أن المتغيرات التي يتم أخذ عينات عشوائية من قيمها من مجموعة أكبر (مجموعة) من القيم يتم تضمينها كتأثيرات عشوائية ومتغيرات مع عدد صغير من المستويات أو التي يتم تضمين كافة المستويات في البيانات تأثيرات ثابتة. إضافة التأثيرات العشوائية في النموذج (1 | الموضوع) من أجل تقدير الاعتراضات العشوائية لكل من الآثار العشوائية.
    > g1 = lmer (RT ~ (1 | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = البيانات الخاصة بك)
    > ملخص (g1)
  7. إضافة متغيرات توضيحية في ترتيب دوافع نظرية. على سبيل المثال، إضافة تردد قاعدة الكلمات كتأثير ثابت. بعض المتغيرات، مثل قاعدة أو الترددات السطحية، وتوزع Zipfian، حتى إدراجها في النموذج مع التحول الذي يؤدي إلى شكل توزيع أكثر غوسيا، على سبيل المثال، التحول اللوغاريتمي.
    > g2 = lmer (RT ~ سجل (تردد قاعدة + 1) + (1 | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = البيانات الخاصة بك)
    > ملخص (g2)
  8. تحقق مع وظيفة Anova إذا إضافة كل مؤشر (على سبيل المثال، باسيوووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووووو
    > أنوفا (g1, g2)
    1. إذا لم يكن هناك فرق كبير في تناسب النموذج الجديد على نموذج أبسط, يفضل أبسط نموذج مع عدد أقل من التنبؤات. أيضا، تحقق من معيار معلومات Akaike (AIC)30 من كل نموذج. AIC هو مقياس لمدى ملاءمة النماذج الإحصائية لمجموعة من البيانات وفقا لأقصى احتمال. تشير القيم المنخفضة إلى ملاءمة أفضل للبيانات31.
      > AIC (g1)؛ AIC (g2)
  9. كرر الخطوات 5.7. و 5.8. بإضافة متغيرات تفسيرية أخرى، مثل بعض تلك التي ترد في الجدول 1، واحدا تلو الآخر في ترتيب دوافع نظرية والحفاظ فقط على تلك التي تحسن بشكل كبير القدرة التنبؤية للنموذج. إذا تم استخدام التزامن المحفز المتغير، قم بتضمينه كمتغير ذو تأثير ثابت في النموذج.
  10. تحقق من التفاعلات ذات الدوافع النظرية بين التنبؤات. على سبيل المثال، إضافة مصطلح التفاعل سجل "التردد الأساسي" حسب العمر.
    > g3 = lmer (RT ~ سجل (تردد قاعدة + 1) + العمر + سجل (تردد قاعدة + 1) : العمر + (1 | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = البيانات الخاصة بك)
    ملاحظة: من الممكن أن يكون التنبؤ هام ًاكمصطلح تفاعل مع متغير آخر، ولكنه ليس هامًا كمؤشر رئيسي. في هذه الحالة، لا تقم بإزالة هذا التوقع من النموذج (تضمين أيضا كتأثير الرئيسي).
  11. إضافة المنحدرات العشوائية من قبل المشاركين32 للتنبؤات عن طريق تضمين "1 +" قبل اسم المتغير، ثم "| الموضوع"، على سبيل المثال، (1 + سجل( تردد قاعدة +1) | الموضوع، لأن أوقات استجابة المشاركين قد تتأثر بالخصائص اللغوية للكلمات بطرق مختلفة.
    ملاحظة: إذا كان هناك العديد من التنبؤات المستمرة، والسماح لهم جميعا أن يكون المنحدرات العشوائية غير واقعي لأن نماذج المنحدر عشوائي تتطلب كميات كبيرة من البيانات لتقدير بدقة الفروق والتباينات المشتركة33،34. في حالة النموذج القصوى لا تلتقي (بمعنى آخر، حساب بنجاح)، تبسيط نموذج33. بدلاً من ذلك، قم بتنفيذ إصدارات بايزيان من النمذجة متعددة المستويات35.
  12. قم بتشغيل التحليل لكل مجموعة مشاركة بشكل منفصل. بدلاً من ذلك، قم بتشغيل تحليل على كافة البيانات، مع مجموعة كمؤشر تأثير ثابت، ومن ثم اختبار لتفاعل المجموعة من قبل التنبؤات الهامة.
    > g4 = lmer (RT ~ سجل (تردد قاعدة + 1) + العمر + سجل (تردد قاعدة + 1) : العمر + المجموعة + سجل (تردد قاعدة + 1) : المجموعة + (1 + سجل (تردد قاعدة + 1) | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = البيانات الخاصة بك)
  13. من أجل إزالة تأثير القيم المتطرفة المحتملة، استبعاد نقاط البيانات مع بقايا موحدة المطلقة تتجاوز، على سبيل المثال، 2.5 الانحرافات القياسية26،وإعادة تناسب النموذج مع البيانات الجديدة(yourdata2).
    > yourdata2 = البيانات الخاصة بك [القيمة المطلقة (مقياس (المقيم (G4))) < 2.5, ]
    > g5 = lmer (RT ~ سجل (تردد قاعدة + 1) + العمر + سجل (تردد قاعدة + 1) : العمر + المجموعة + سجل (تردد قاعدة + 1) : المجموعة + (1 + سجل (تردد قاعدة +1) | الموضوع) + (1 | البند) + (1 | إصدار تجريبي)، البيانات = بياناتك2)
    ملاحظة: ليست جميع نقاط البيانات المتطرفة ضارة للنموذج - فقط تلك التي لديها نفوذ مفرط على النموذج.
  14. في حالة التحليل الاستكشافي (القائم على البيانات)، استخدم الانحدار خطوة إلى الوراء: تضمين جميع المتغيرات في التحليل الأولي ثم قم بإزالة المتغيرات غير الهامة من النموذج بطريقة خطوة بخطوة. بدلا من ذلك، استخدم الإجراء التلقائي للقضاء على التنبؤات غير الهامة مع وظيفة الخطوة التي توفرها حزمة lmerTest29.
    > الخطوة (g4)

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

ويبين الجدول 1 قائمة بالمتغيرات التي تم الحصول عليها من ثلاثة مصادر مختلفة (مجموعة، وقاموس، واختبار تجريبي لعناصر الاختبار) التي تم تضمينها في التحليل كتنبؤات ذات تأثير ثابت. وقد سبق الإبلاغ عن العديد من هذه المتغيرات للتأثير على سرعة التعرف على الكلمات.

المحكمه:
تردد قاعدة عدد المرات التي تظهر فيها كلمة في الجسم بجميع أشكالها المختلفة (مثل الأطفال والأطفال)
بغرام تردد متوسط عدد المرات التي تحدث فيها جميع تركيبات رسالتين لاحقتين في الجسم
حجم الأسرة المورفولوجية عدد الكلمات المشتقة والمركبة التي تشترك في مورفتم مع النوى
تردد الأسرة المورفولوجية وتكرار قاعدة لخص من جميع أفراد الأسرة المورفولوجية
حجم الأسرة الزائفة المورفولوجية لا يشمل فقط أفراد الأسرة المورفولوجية "الحقيقية" ولكن أيضا الكلمات التي تحاكي أفراد الأسرة المورفولوجية في شكلها التقويمي، سواء كانت أو لم تكن مورفيم الفعلية، وبالتالي يمثل تداخل اعدوغرافي ولكن ليس بالضرورة تداخل الدلالي
تردد الأسرة الزائفة المورفولوجية التردد الأساسي الملخّص لجميع أفراد العائلة المورفولوجية الزائفة
تردد السطح يظهر الرقم الأوقات كلمة في الجسم في تماما ال نفسه شكل ([إ.غ.]. طفلة).
تردد ثلاثي متوسط عدد المرات التي تحدث فيها جميع تركيبات ثلاث رسائل لاحقة في الجسم
القاموس:
[همّينغ] بعد من واحدة عدد الكلمات من نفس الطول ولكن تختلف فقط في أي حرف واحد36
طول عدد الحروف
كثافة حي تقويمي عدد الكلمات بنفس الطول ولكن تختلف فقط في الحرف الأولي37،38
الاختبار التجريبي: وأشار ستة عشر مشاركا ً على مقياس من ست نقاط (من صفر إلى 5) إلى تقديراتهم لكل كلمة من الكلمات المستهدفة على البارامترات التالية.
كاسم مناسب كيف في كثير من الأحيان ينظر إلى الكلمة على أنها اسم صحيح (على سبيل المثال، كاسم العائلة، مثل بيكر)39
الخرسانة 40 ةيلاب ةيلاب ةيلاب ةيلاب ةيلاب ةيلاس لا
تصنيف الألفة كيف مألوفة الكلمة
إمكانية التصوير سهولة وسرعة الكلمات التي تثير الصور العقلية40

الجدول 1 المتغيرات المدرجة في تحليل الآثار المختلطة كتنبؤات ذات تأثير ثابت، تم الحصول عليها من ثلاثة مصادر مختلفة (مجموعة، قاموس، واختبار تجريبي لعناصر الاختبار).

يمكن أن يكون عدد المتغيرات التفسيرية أصغر أو أكبر اعتماداً على أسئلة البحث وعلى مدى توافر المتغيرات من قواعد البيانات أو القواميس أو الكوربورا. ومع ذلك، فإن إدراج عدد كبير من السمات المعجمية كمؤشرات قد يؤدي إلى مضاعفات في شكل خط ية بين التنبؤات، عندما ترتبط التنبؤات ببعضها البعض وبالتالي تؤثر على قياس النتائج. على سبيل المثال، قد يكون الملموسة والصورة للكلمات مترابطة للغاية. افتراض في أي تحليل الانحدار الخطي هو أن متغيرات التنبؤ مستقلة عن بعضها البعض. ومع ذلك، كلما تمت إضافة المزيد من المتغيرات إلى النموذج، فإن خطر أن بعض المتغيرات غير مستقلة عن بعضها البعض يزيد. كلما زادت العلاقة بين المتغيرات، كلما كان هذا الخط ية المتداخلة أكثر ضرراً للنموذج41. ومن النتائج المحتملة للخط الوَعَي أن مستوى الأهمية لبعض التنبؤات قد يكون زائفاً.

لتجنب تأثير الخط ية بين التنبؤات، ينبغي تخفيض عدد التنبؤات. إذا أظهر اثنان من التنبؤات الخطية المتداخلة، يجب تضمين واحد منهم فقط في النموذج. ومع ذلك، إذا أظهر أكثر من اثنين من التنبؤات الخطية المتداخلة، فإن استبعاد كل ما عدا واحد سيؤدي إلى فقدان الفرق الموضح. من ناحية، قد يقلل الباحث من عدد المتغيرات التفسيرية الموجودة بالفعل في التصميم التجريبي، تاركاً فقط تلك التي تحرك الفرضية (الدوافع النظرية) وتسمح للباحث باختبار الفرضيات بين مختلف السكان. ومن ناحية أخرى، لا توجد في بعض الأحيان نظرية قائمة، وبالتالي، من المعقول استخدام تحليل المكونات الرئيسية (PCA)41 لتقليل عدد التنبؤات عن طريق الجمع بين التنبؤات التي لها تأثيرات مماثلة في المكونات. في هذا التحليل، تم تقويم مساحة التوقع واستخدمت المكونات الرئيسية للمساحة الجديدة كتنبؤات (الخطوات التالية الموصوفة هنا41 في الصفحات 118-126). ومن المساوئ التي تُنَتَبَع في استخدام الأنييييكان الخماسي الكلور أن المكونات أحياناً تجعل من الصعب فصل آثار التنبؤات المتعددة؛ قد تظهر جميعها مع تحميلات قوية على نفس المكون الرئيسي.

حولنا جميع التنبؤات اللغوية إلى خمسة مكونات رئيسية لدراسة كيف يمكن أن تكون سرعة التعرف على الكلمات مختلفة للبالغين الأصغر سنًا وكبار السن. غير أن اثنين فقط منهما كانا هامينفي بيانات الشباب (الجدول 3): PC1 وPC4. وكانت ثلاثة مكونات رئيسية (أجهزة الكمبيوتر) هي التنبؤات الهامةفي نموذج الضوابط المسنة (الجدول 4)، MCI (الجدول5) والأفراد الذين يعانون من AD (الجدول6).

PC2
(بغرام فريك) -0.390
[همّينغ] بعد من واحدة -0.350
الثلاثة الثلاثة النهائيين -0.330
كثافة الحي -0.320
طول -0.226
الأحرف الثلاثية الأولى. -0.224
حجم الأسرة الزائفة (نهائي) -0.124
زائفة الأسرة فريك. (النهائي) -0.052
الفريق العائلي (المجمعات) -0.042
حجم الأسرة (المركبات) -0.039
الأسرة الفريق. (الكلمات المشتقة) -0.036
حجم العائلة (الكلمات المشتقة) -0.034
السطح الفريق. -0.023
قاعدة الفريق. -0.008
حجم الأسرة الزائفة (الأولي) 0.070
تصنيف الألفة 0.093
كاسم مناسب 0.102
[بسودو-فميلي] [فريك]. (أوّليّة) 0.113
الخرسانة 0.275
إمكانية التصوير 0.296
حجم الأسرة الزائفة (داخلي) 0.296
[بسودو-فميلي] [فريك]. (داخليّة) 0.316

الجدول 2 مصفوفة دوران لPC2. التحميلات هي الدرجة التي يساهم بها كل متغير في المكون. تم تعديل هذا الجدول بإذن من Cortex3.

يعرض الجدول 2 المتغيرات المعجمية مع التحميلات الخاصة بها على PC2. وكانت أقوى عمليات التحميل الإيجابية لـ PC2 هي حجم وتواتر الأسرة الزائفة للتداخل في الموضع الداخلي. وكانت أقوى التحميلات السلبية بغرام التردد، مسافة هامينغ واحد، وتردد ثلاثي ة، وكثافة حي تقويمي. وبما أن جميع هذه المتغيرات تستند في المقام الأول إلى الشكل بدلاً من أن تكون قائمة على المعنى، فإن PC2 يفسر على أنه يعكس تأثير الجوانب المستندة إلى الشكل للكلمة على سرعة التعرف على الكلمات.

ويبين الجدول 3 نتائج تحليل الآثار المختلطة بالنسبة للشباب (31 مشاركا). وبما أن PC2 لم يكن مؤشراً هاماً لأوقات استجابة الشباب (انظر الجدول3)، يبدو أن هذا يشير إلى أن هذه المتغيرات القائمة على الشكل لها تأثير أقل على أوقات رد فعل البالغين الصغار مقارنة بالبالغين الأكبر سناً، بما في ذلك أولئك الذين يعانون من الحساسية الجوية أو MCI .

تأثيرات ثابتة تقدير خطأ في الـStd.Error t-value p-القيمة
(اعتراض) -1.31 0.05 -26.36 <0.001
الأومورف -0.034 0.015 -2.3 0.024
PC1 -0.021 0.004 -5.179 <0.001
PC4 -0.042 0.008 -5.224 <0.001
تأثيرات عشوائية
مجموعات اسم التباين (سانت ديف) Corr.1
البند (اعتراض) 0.009 0.095
الموضوع (اعتراض) 0.032 0.179
PC1 4.765e-05 0.007 0.08
المتبقيه 0.005 0.235
عدد الـ obs. 2862; البند، 99؛ الموضوع، 31

الجدول 3 القيم المقدرة، والأخطاء القياسية، وقيم t- و p- للنماذج المختلطة المجهزة للاستجابة latencies التي تم الحصول عليها للكلمات الحقيقية للشباب. تم تعديل هذا الجدول بإذن من Cortex3.

يمكن تفسير تقدير متغير ثابت التأثير على أنه مقدار الذي متغير (RT) التابعة زيادة أو إنقاص إذا كانت قيمة هذا التأثير الثابت يتغير. إذا كان التقدير سالباً، فهذا يعني أن المتغير يرتبط بشكل سلبي مع أوقات رد الفعل (كلما ارتفع المتغير، أصغر (أسرع) أوقات رد الفعل). يجب أن تكون قيمة t عادة أقل من -2 أو أكثر من 2 حتى يكون التنبؤ كبير.

ويبين الجدول4، الجدول5، والجدول 6 نتائج تحليل الآثار المختلطة لضوابط المسنين (17 مشاركاً)، والأفراد الذين يعانون من MCI (24 مشاركاً)، والأفراد الذين يعانون من الأضرار (21 مشاركاً).

وظهر اختلاف هام بين المجموعات الثلاث من المسنين: فقد تنبأ التعليم بدرجةكبيرة بسرعة التعرف على الكلمات في ضوابط المسنين (الجدول 4)؛ والتقدير المتعلق بالتعليم سلبي، مما يعني أن سنوات التعليم كانت أكثر من ذلك المرتبطة بأوقات رد فعل أسرع) والأفراد مع MCI (الجدول5),ولكن ليس في الأفراد مع AD ( الجدول6; وقد أُسقط التعليم من النموذج لأنه لم يكن مؤشراً هاماً، رغم أنه لم يكن هناك اختلاف واضح في تفاوت سنوات التعليم بين هذه المجموعات (متوسط 10.8 سنوات، SD 4.2، نطاق 5-19؛ MCI: متوسط 10.4 سنوات، SD 3.5، مجموعة 6-17؛ ضوابط المسنين: يعني 13.7 سنوات، SD 3.7، مجموعة 8-20).

تأثيرات ثابتة تقدير خطأ في الـStd.Error t-value p-القيمة
(اعتراض) -0.72 0.157 -4.574 <0.001
الأومورف -0.022 0.01 -2.14 0.035
PC1 -0.011 0.003 -4.122 <0.001
PC2 -0.011 0.005 -2.223 0.029
PC4 -0.02 0.006 -3.687 <0.001
التعليم -0.024 0.011 -2.237 0.041
تأثيرات عشوائية
مجموعات اسم التباين (سانت ديف)
البند (اعتراض) 0.003 0.057
الموضوع (اعتراض) 0.026 0.16
المتبقيه 0.033 0.181
عدد الـ 1595؛ البند، 99؛ الموضوع، 17

الجدول 4 القيم المقدرة، والأخطاء القياسية، وقيم t- و p- للنماذج المختلطة المجهزة للاستجابة latencies التي تم الحصول عليها للكلمات الحقيقية لضوابط المسنين. تم تعديل هذا الجدول بإذن من Cortex3.

تأثيرات ثابتة تقدير خطأ في الـStd.Error t-value p-القيمة
(اعتراض) -0.562 0.114 -4.922 <0.001
PC1 -0.009 0.003 -3.218 0.002
PC2 -0.013 0.005 -2.643 0.01
PC4 -0.018 0.006 -3.078 0.003
التعليم -0.039 0.01 -3.708 0.001
تأثيرات عشوائية
مجموعات اسم التباين (سانت ديف)
البند (اعتراض) 0.003 0.056
الموضوع (اعتراض) 0.03 0.174
المتبقيه 0.061 0.248
عدد الـ 2227؛ البند، 99؛ الموضوع، 24

الجدول 5 القيم المقدرة، والأخطاء القياسية، وقيم t- و p- للنماذج المختلطة المجهزة للاستجابة latencies التي تم الحصول عليها للكلمات الحقيقية للأفراد الذين يعانون من MCI. تم تعديل هذا الجدول بإذن من Cortex3.

تأثيرات ثابتة تقدير خطأ في الـStd.Error t-value p-القيمة
(اعتراض) -0.876 0.051 -17.017 <0.001
الأومورف -0.018 0.009 -2.008 0.048
PC1 -0.011 0.003 -4.097 <0.001
PC2 -0.011 0.004 -2.718 0.008
PC4 -0.018 0.005 -3.751 <0.001
تأثيرات عشوائية
مجموعات اسم التباين (سانت ديف) Corr.1
المحاكمه (اعتراض) 0.001 0.034
البند (اعتراض) 0.002 0.049
الموضوع (اعتراض) 0.045 0.212
PC1 4.138e-05 0.006 0.83
المتبقيه 0.026 0.162
عدد الـ obs. 1879; البند، 99؛ الموضوع، 21

الجدول 6 القيم المقدرة، والأخطاء القياسية، وقيم t- وp- للنماذج المختلطة المجهزة للاستجابة latencies التي تم الحصول عليها للكلمات الحقيقية للأفراد المصابين بـ AD. تم تعديل هذا الجدول بإذن من Cortex3.

وتناولت الدراسة المذكورة هنا سؤالا إضافيا: ما إذا كان عدد من الومورف الجذعية المرتبطة كلمة يؤثر على سرعة التعرف على كلمة42،43. الأومورف الجذعية هي أشكال مختلفة من الجذعية كلمة عبر السياقات اللغوية المختلفة. على سبيل المثال، في اللغة الإنجليزية، قدم اثنين من الأرجل الجذعية، قدم والقدمين. وبعبارة أخرى، تتغير كلمة الجذعية اعتمادا على ما إذا كان في شكل المفرد أو الجمع. وقد اختبرت الدراسة المذكورة هنا متحدثين باللغة الفنلندية، وهي لغة تتسم بتعقيد أكبر في تغيراتها الجذعية مقارنة بالإنكليزية. الكلمات ذات الأومورفي ة ية (أي الكلمات التي تطرأ عليها تغييرات أكثر علىالسيقان) قد أثارت أوقات رد فعل أسرع في جميع المجموعات (الجدول 3، الجدول4، والجدول 6؛وكانت تقديرات عدد الأومورف سلبية، مما يعني أن ارتفاع عدد الأومورفس كلمة واحدة كان، أسرع مرات رد الفعل التيأثارتها) باستثناء مجموعة MCI (الجدول 5؛ لم يكن عدد من allomorphs مؤشرا كبيرا، وبالتالي أسقطت من النموذج).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

باستخدام مهمة لغة بسيطة لا تتطلب إنتاج اللغة، بحثت هذه الدراسة تأثير المتغيرات اللغوية المختلفة على التعرف على الكلمات في البالغين الأصغر سنا وكبار السن الأصحاء عصبيا، وكذلك في الأشخاص الذين يعانون من مرض الزهايمر أو ضعف إدراكي معتدل. وقد يعتمد النطاق العمري المستخدم في تجنيد "كبار السن" على اهتمامات البحوث المحددة؛ ومع ذلك، فإن نطاق للمجموعة المسنة صحية يجب أن تتطابق أوثق قدر ممكن من العمر والنطاق والتوزيع للأفراد مع MCI أو AD جند لنفس الدراسة.

ولتجنب الخط ية بين التنبؤات، تم تعامم المتغيرات المعجمية إلى مكونات رئيسية وأضيفت إلى نماذج التأثيرات المختلطة، حيث كانت أوقات التفاعل بمثابة المتغير التابع. أدى الجمع بين تجربة قرار معجمية بسيطة وتحليل الانحدار الآثار المختلطة إلى اكتشاف الرواية أن الصعوبات اللغوية للمرضى الذين يعانون من AD يمكن أن يعزى ليس فقط إلى التغييرات في النظام الدلالي ولكن أيضا إلى زيادة الاعتماد على شكل كلمة. ومن المثير للاهتمام، تم العثور على نمط مماثل للأشخاص الذين يعانون من ضعف إدراكي معتدل وكبار السن الأصحاء من الناحية المعرفية. وهذا يشير إلى أن زيادة الاعتماد على الجوانب المستندة إلى الشكل في تجهيز اللغات قد يكون جزءا من تغيير مشترك يتصل بالعمر في التعرف على الكلمات المكتوبة.

في تصميم مضروب، يقوم الباحثون عادة بإنشاء مجموعتين أو أكثر من الكلمات التي تختلف وفقا لمتغير الاهتمام ومن ثم مطابقة هذه المجموعات من الكلمات على عدد من الخصائص اللغوية الأخرى التي قد تؤثر على سرعة المعالجة. الافتراض هو أن أي اختلاف سلوكي يتم الحصول عليه بين هاتين المجموعتين من الكلمات يجب أن يعزى إلى متغير التلاعب (أي، لا مثيل لها). مشكلة واحدة مع هذا النوع من التصميم هو أنه من الصعب جداً لمطابقة مجموعات من الكلمات على أكثر من عدد قليل من المتغيرات. وثمة مشكلة أخرى هي أنه قد تكون هناك بعض المتغيرات الهامة المحتملة التي لم تكن مجموعات الكلمات مطابقة أو تعذر مضاهاته او تعذر مضاهاته او عدم مطابقته او عدم مطابقته لعدة أسباب. كما أن التصميم المُعامل يعالج الظواهر المستمرة كما لو كانت عوامل ثنائيّة. استخدام نماذج الآثار المختلطة للتحليل الإحصائي للبيانات السلوكية يسمح للباحث بتضمين المتغيرات اللغوية التي يحتمل أن تكون مهمة كمتغيرات تفسيرية دون الحاجة إلى مطابقة الكلمات أو قوائم الكلمات وفقا لهذه المتغيرات. في نموذج الآثار المختلطة يتم إضافة الموضوع (رمز المشارك / رقم) ، البند (المحفزات التجريبية) ، والمحاكمة (رقم المحاكمة) كتأثيرات عشوائية. وقد أُدرجت عمليات الاعتراض العشوائية لأنه يفترض أن المواضيع تختلف في أوقات رد الفعل الإجمالية (أي أن بعض المشاركين هم بطبيعة الحال أبطأ أو أسرع في جميع المجالات)

ويمكن تطبيق هذه المنهجية على أنواع أخرى من الأسئلة وعلى فئات أخرى من السكان، مثل تعدد اللغات أو الأفراد المصابين بحبسة. بالنسبة للمجموعة السابقة، قد تختلف معالجة اللغة عن لغة واحدة، لذلك ينبغي النظر في هذا المتغير إذا كان توظيف مجموعة من السكان اللغات المختلطة، إما عن طريق قصر التوظيف على نوع واحد فقط من المجموعة أو عن طريق مقارنة النتائج في وقت لاحق لتحديد ما إذا كان توظيف مجموعة من اللغات المختلطة، إما عن طريق تقييد التوظيف على نوع واحد فقط من المجموعة أو عن طريق مقارنة النتائج في وقت لاحق لتحديد ما إذا كان ةيلاب ةيلاف لاةس لا ةيلاس لا ةيلا

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

وليس لدى أصحاب البلاغ ما يكشفون عنه.

Acknowledgments

نشكر مينا ليهتونين، ودومو هونينين، وميرخا هاليكينين، وهيلكا كوينين على مساهمتهم في جمع البيانات وتجهيزها المبلغ عنها هنا. وقد تم دعم جمع البيانات من قبل VPH أبحاث الخرف التي مكنها الاتحاد الأوروبي، اتفاق منحة رقم 601055.

Materials

Name Company Catalog Number Comments
E-Prime Psychology Software Tools version 2.0.10.356.
PC with Windows and Keyboard
R R Foundation for Statistical Computing R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

DOWNLOAD MATERIALS LIST

References

  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).

Tags

السلوك العدد 148 التعرف على الكلمات القرار المعجمي علم اللغة النفسية الشيخوخة الخرف مرض الزهايمر ضعف إدراكي معتدل نماذج الآثار المختلطة تحليل المكونات الرئيسية
مهمة القرار المعجمي لدراسة الاعتراف الكتابي بالكلمات في البالغين الذين يعانون من الخرف أو الاختلال المعرفي الخفيف أو غير المنضوين
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Nikolaev, A., Higby, E., Hyun, J.,… More

Nikolaev, A., Higby, E., Hyun, J., Ashaie, S. Lexical Decision Task for Studying Written Word Recognition in Adults with and without Dementia or Mild Cognitive Impairment. J. Vis. Exp. (148), e59753, doi:10.3791/59753 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter