Summary
מאמר זה מתאר כיצד ליישם ניסוי פשוט לקסיקלי החלטה להעריך את הכרה במילה כתובה במשתתפים בריאים נוירוולוגית ובאנשים עם דמנציה וירידה קוגניטיבית. אנו מספקים גם תיאור מפורט של ניתוח זמן תגובה באמצעות ניתוח רכיבים עיקריים (PCA) ומידול אפקטים מעורבים.
Abstract
אנשים מבוגרים יותר איטיים בזיהוי אובייקטים חזותיים מאשר בוגרים צעירים. הדבר נכון גם לגבי הכרת העובדה שמחרוזת אות היא מילה אמיתית. אנשים עם מחלת אלצהיימר (AD) או ליקוי קוגניטיבי מתון (MCI) להפגין תגובות עוד יותר בכתב הכרה מילה מאשר שולטת קשישים. למרות הנטייה הכללית כלפי הכרה איטית יותר בהפרעות הזדקנות ונוירוקוגניטיבית, מאפיינים מסוימים של מילים להשפיע על מהירות זיהוי המילה ללא קשר לגיל או נוירופתולוגיה (למשל, תדירות השימוש של המילה). אנו מציגים כאן פרוטוקול לבדיקת ההשפעה של מאפיינים לקסיליתיים על זמני התגובה של מילה בניסוי מילולי פשוט החלטה מנוהל מבוגרים צעירים יותר ואנשים עם MCI או AD. בניסוי זה, המשתתפים מתבקשים להחליט במהירות ובדייקנות ככל האפשר אם מחרוזת מכתב נתונה היא מילה בפועל או לא. כמו כן, נתאר מודלים של אפקטים מעורבים וניתוח רכיבים עיקריים שניתן להשתמש בהם כדי לזהות את ההשפעה של סוגים שונים של משתנים לקסיתיים או מאפיינים בודדים של משתתפים במהירות זיהוי תמלילים.
Introduction
מילים מאוחסנות בלקסיקון המנטלי ברשת המחוברים במיוחד. החיבורים בין מילים עשויים לשקף מאפיינים משותפים, כגון דמיון סמנטי (למשל, כלב וחתול), דמיון בצורה (כלב וערפל), או התרחשות שותפה תכופה בשימוש בשפה המשותפת (למשל, כלב ו רצועה). תיאוריות קוגניטיביות של שפה, כגון תאוריה מבוססת שימוש1, טוענים שכל מפגש של מילה על ידי משתמש בשפה יש השפעה על הייצוג המנטלי של המילה. לפי תורת הסמלים, ייצוג של מילה כולל מספר רב של מונים, הבנויים מאסימונים בודדים של שימוש בשפה והמייצגים את השונות הקיימת עבור קטגוריה נתונה. תדירות השימוש2 השפעות הייצוגים של הזיכרון על ידי תרומה לחוזק של התמונה1.
מהירות זיהוי תמלילים יכולה לחשוף את המאפיינים של הלקסיקון המנטלי. פרדיגמה ניסויית בשימוש נפוץ למדידת המהירות של זיהוי מילים היא משימת ההחלטה לקסיקלית. במשימה זו, המשתתפים מוצגים עם מחרוזות אותיות על גבי צג, אחת בכל פעם. הם מונחים להחליט במהירות האפשרית אם מחרוזת המכתב על המסך היא מילה אמיתית או לא על-ידי לחיצה על הלחצן המתאים.
על-ידי בחינת זמני תגובה למילים אמיתיות, החוקרים יכולים לטפל במספר שאלות חשובות אודות עיבוד השפה. לדוגמה, זיהוי הגורמים הופכים את ההכרה מהר יותר יכול לבחון השערות על מבנה הלקסיקון המנטלי ולחשוף את הארכיטקטורה שלה. יתר על כן, השוואות של ביצועים בין קבוצות שונות של משתתפים יכולים לעזור לנו להבין את ההשפעה של סוגים שונים של ניסיון בשפה, או, במקרה של מחלות הזדקנות או ניווניות (למשל, מחלת אלצהיימר), התפקיד של קוגניטיבית ירידה.
גורמים מסוימים (למשל, תדירות השימוש) מציגים השפעה רבה יותר על הכרה במילה מאשר גורמים אחרים (למשל, אורך המילה). עם ההתקדמות בגיל, הדרך שבה אנשים מזהים מילים כתובות עשויים להשתנות3,4. מבוגרים צעירים נוטים להסתמך בכבדות על היבטים סמנטיים (מבוססי משמעות) של מילה, כגון כמה תרכובות (למשל, בולדוג) או מילים נגזרות (למשל, דוגי) לשתף היבטים של הצורה והן משמעות עם מילת היעד (במקרה זה, כלב). זיהוי תמלילים עבור מבוגרים יותר נראה מושפע יותר על-ידי היבטים מבוססי-טופס, כגון תדירות ששני המכתבים הבאים מתרחשים בשפה (למשל, הצירוף המכתב st מתרחש לעתים קרובות יותר במילים באנגלית מאשר השילוב sk).
כדי לקבוע את הגורמים המשפיעים על מהירות זיהוי המילה על פני קבוצות שונות, החוקר יכול לטפל במשתנים מסוימים בערכת גירוי ולאחר מכן לבדוק את הכוח של משתנים אלה כדי לנבא מהירות זיהוי המילה. לדוגמה, כדי לבדוק אם זיהוי תמלילים מונע על-ידי גורמים סמנטיים או מבוססי-טפסים, על ערכת הגירוי לכלול משתנים המשקפים את מידת הקישוריות של מילה לשכניו הסמנטית בלקסיקון המנטלי או בקישוריות שלה למילים אחרות שחולקים חלק מצורתו.
שיטה זו שימש במחקר הנוכחי כדי לחקור אם מהירות זיהוי המילה מושפע מגורמים שונים בוגרים צעירים יותר ואצל אנשים עם מחלת אלצהיימר (AD) או ליקוי קוגניטיבי מתון (MCI)3. השיטה המתוארת כאן מבוססת על זיהוי מילים חזותיות, אך ניתן להתאים אותה למודאליות השמיעתית. עם זאת, משתנים מסוימים שהם מחזות משמעותיים של זמני תגובה בניסוי מילולי טיפוסי של החלטות ויזואליות, עשויים שלא לחזות השהיות תגובה בהחלטה לקסיקלית שמיעתי או אולי התוצאה ההפוכה. לדוגמה, לשכונה הפונולוגית יש את ההשפעה ההפוכה על שתי שיטות האלה5: מילים עם שכונות פונולוגית גדולה יותר מציגים אפקט ממתקן על זיהוי מילה חזותית אך מעלה השהיות בתגובה ארוכות יותר ב החלטה שמיעתי לקסיקלית6.
קשיים במציאת מילים במבוגרים בוגרים7 יוחסו בדרך כלל לקושי בגישה לצורת המילה הפונולוגית ולא בפירוט של הייצוג הסמנטי8. עם זאת, מחקר המודעה התמקד בעיקר ירידות סמנטי9,10,11,12,13,14. חשוב לשלול כיצד גורמים סמנטיים ואורתוגרפיים משפיעים על ההכרה במילים כתובות בהזדקנות עם ובלי התדרדרות קוגניטיבית. ההשפעה של גורמים הקשורים בצורה מודגשת יותר מאשר אצל מבוגרים צעירים יותר, והוא נשאר משמעותי אצל אנשים עם MCI או AD3. לפיכך, מתודולוגיה זו יכולה לעזור לנו לחשוף תכונות של הלקסיקון המנטלי על פני אוכלוסיות שונות ולזהות שינויים בארגון הלקסיקון עם גיל ונוירופתולוגיה. אחד חשש כאשר בדיקת חולים עם נוירופתולוגיה היא שהם עלולים להיות בקשיים גישה לידע הקשורות למשימות. עם זאת, משימת ההחלטה לקסיקלית היא משימה פשוטה ללא כל נטל על זיכרון עבודה או מיומנויות קוגניטיביות מורכבות אחרות, כי חולים רבים מציגים בעיות עם. הוא נחשב מתאים לאוכלוסיות AD ו-MCI.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
הפרוטוקול עוקב אחר ההנחיות של ועדת האתיקה של מחוז בית החולים בצפון סאואו (IRB00006251).
1. הקרנת משתתפת
- גייס מבוגרים צעירים ומבוגרים שיש להם חזון רגיל או מתוקן לנורמלי והם דוברי שפת אם בשפה שנבדקו אלא אם כן המחקר מטפל בשאלות מחקר ספציפיות בנוגע לרכישת שפה שנייה.
- לקבוצות בקרה בריאות, אל תכלול משתתפים בעלי היסטוריה של הפרעות נוירולוגיות או פסיכיאטריות.
- עבור קבוצות קליניות, לגייס אנשים שאובחנו עם מחלת אלצהיימר15 או ליקוי קוגניטיבי מתון16,17. לגייס רק אנשים המסוגלים לתת הסכמה מושכלת, על פי שיקול דעתה של המטפל. להשוואות מדויקות, התאם את טווח הגילאים ואת הממוצע של קבוצות קליניות עם זה של המשתתפים בוגרים מבוגרים בריאים.
- למדוד את חומרת דמנציה, למשל, באמצעות שימוש בדירוג הקליני בקנה מידה18 (cdr, 0 = דמנציה, 0.5 = מאוד מתון, 1 = קל, 2 = בינונית, 3 = חמור). לא לכלול חולים עם דמנציה חמורה כי המשימה עשויה להיות קשה מדי עבורם. אל תכלול משתתפים שאינם מסוגלים לעקוב אחר ההוראות, למרות דירוג החומרה שלהם.
2. גירוי במבנה
- בחר בגירויים של מילים כדי לטפל בשאלות מחקר ספציפיות, לדוגמה, אם למשתנים סמנטיים או אורתוגרפיים/משתנים בעלי השפעה חזקה יותר על זיהוי תמלילים19 באוכלוסיות שונות.
- חישוב מתוך קורפוס20 או לאחזר מתוך מסד נתונים21 משתנים המשקף מאפיינים סמנטיים, פונלוגיים ואורתוגרפיות של הגירויים כך שניתן יהיה להשתמש בהם כמאחורים בעלי מוטיבציה תיאורטית המסבירה מילה זמני תגובת זיהוי או כמשתני שליטה. כמו כן, השתמש במין המשתתפים, בגיל, ובשנים של חינוך כמשתנים מובנים או שליטה.
- בנוסף למילים האמיתיות, לבנות סט של מילים בהתאמה מדומה. מילים מדומה דומות למילים אמיתיות בכך שהן מתאימות לנורמות השפה של הצבת אותיות מסוימות בתנוחות מסוימות של מילים (פונאוטקטיקה). כדי לשלוט בטקטיקות, צור מילים מדומה, לדוגמה, על ידי שילוב אקראי של ההברות הראשונות ממילים מסוימות עם ההברות השניות ממילים אחרות. הסר את כל הפריטים שהתרחשו כדי להפיק מילה אמיתית באמצעות צירוף מחדש זה וכל הפריטים המפרים את הפונאוטקטיקה של השפה.
- להתאים את מילים מדומה עם מילים היעד במונחים של אורך המילה באותיות ותדר bigram, שהוא המספר הממוצע של פעמים כי כל השילובים של שתי אותיות עוקבות מתרחשים בקורפוס טקסט. משתנים אלה הוכחו להשפיע על מהירות הזיהוי.
הערה: שינוי יחס המילה המדומה (למשל, מספר המילים האמיתיות ביחס למספר המילים המדומה) עשוי להוביל לתוצאות שונות, כאשר התגובות לגירוי פחות סביר להיות איטי יותר ומדויק פחות22. - הוסף ערכה של מילוי מילים אמיתי כדי להקטין את תוחלת המשתתף הבאה השייכת לסוג מסוים (למשל, מחלקה מסויימת). בחר בהם, למשל, מקטגוריות מילים שונות (לדוגמה, מחלקות מסוימות) מאשר אלה המשמשות לבניית גירויים בהתאם למאפייני העניין.
3. תכנון ניסיוני
- הצגת מחרוזות האות אופקית, אחת בכל פעם, משנה זווית חזותית של כ-5 °.
- התחל בניסוי עם מפגש תרגול הכולל מספר קטן של מבחנים, כאשר מילה אחת מוצגת למשפט (לדוגמה, 15 מילים ו -15 מילים מדומה שאינן כלולות בניסוי הממשי). זה כדי להכיר את המשתתף עם המשימה ואת לחצני התגובה. אם המשתתף אינו מגיב במדויק ("כן" כפתור למילים אמיתיות ולחצן ' לא ' עבור מילים מדומה) במהלך ניסויי התרגול, ספק משוב ובצע שוב את הפעלת התרגול.
- לחלק את הניסוי לתוך בלוקים ולתת הפסקות קצרות לאחר האימון בין הבלוקים. הפסקות אלו מאפשרות למשתתפים להניח את עיניהם ולהפחית את העייפות.
- התחל כל בלוק חדש עם כמה פריטים למילוי שלא ייכללו בניתוח (למשל, שמות עצם משותפים כגון כלב, אחות, שנה) מאחר שהמבחנים הראשונים של הבלוק מתעלמים לעיתים ממשתתפים עם MCI או AD.
- הציגו את הפריטים הניסיוניים בסדר אקראי עבור כל משתתף.
- התחל כל משפט עם סימן קיבוע (למשל, סימן +) המופיעים במרכז המסך עבור 500 ms, ואחריו מסך ריק עבור קבוע (למשל, 500 ms) או כמות משתנה של זמן (למשל, 500-800 ms).
- מיד לאחר המסך הריק, להציג מחרוזת מכתב (מילה או מילה מדומה) עבור 1,500 ms או עד המשתתף מגיב.
- לאחר תגובה מתבצע או לאחר 1,500 ms מתחילתה של המילה (כל מגיע הראשון), לעקוב שוב עם מסך ריק עד 3000 ms עבר מתחילת המשפט.
- חזור על רצף זה עד שכל הפריטים בניסוי הוצגו.
הערה: הזמנים להשהיה בין הגירויים משמשים כדוגמה. שינוי ביניהן עשוי להשפיע על תבנית התוצאות.
4. הליך ניסיוני
- הנח את המשתתף מול צג המחשב במרחק צפייה של כ-80 ס מ בחדר מואר באופן רגיל.
- הורה למשתתף להחליט בצורה מהירה ומדויקת ככל האפשר אם מחרוזת המכתב על המסך היא מילה אמיתית או לא על-ידי לחיצה על אחד משני הלחצנים המתאימים עם היד הדומיננטית שלהם (למשל, האצבע המורה למילים אמיתיות והאצבע האמצעית עבור מילים מדומה) או באמצעות האצבע המורה של כל יד.
הערה: המשתתפים מנסים למטב את הביצועים שלהם בשורה עם ההוראות. כך, התגובות שלהם יושפעו על ידי הדגיש מהירות על הדיוק או להיפך23.
5. ניתוח נתונים עם מודל אפקטים מעורבים ב-R
הערה: ניתן להשתמש בתוכניות סטטיסטיות רבות ושונות כדי לבצע את הניתוח. סעיף זה מתאר שלבים לניתוח נתונים ב-R24.
- השג את זמן התגובה (RT) שנמדד באלפיות שניה עבור כל ניסוי מקובץ הפלט של תוכנית המצגת (למשל, תוכנת E-Studio).
- התקן את החבילות lme428 ו- lmertest29. צרף חבילות עם ספריית הפונקציות או דרוש.
- יבא נתונים ל-R באמצעות, לדוגמה, הפונקציה read. table .
- בדוק את הצורך בשינוי, למשל, עם הפונקציה boxcox מתוך חבילת המסה 25, כמו התפלגות נתוני RT הוא בדרך כלל מוטה מאוד.
ספריה > (מאסה)
> boxcox (RT ~ Expnanatory_variable, נתונים = הנתונים שלך)
הערה: הגרף המיוצר על ידי הפונקציה boxcox מראה מרווח ביטחון 95% עבור פרמטר ההמרה boxcox. בהתאם לערכי הלאמבדה הממוקמים בתוך פרק זמן זה, ניתן לבחור את השינוי הדרוש, לדוגמה, λ =-1 (המרה ההופכית), λ = 0 (המרה לוגריתמי), λ = 1/2 (המרת שורש מרובעת) ו-λ = 1/3 (שינוי השורש של הקוביה).- הפוך את ערכי ה-RT באמצעות RTs הפוכה (לדוגמה,-1000/RT) או לוגריתמים בינאריים של RTs (לדוגמה, log2 (RT)) מאחר שהמרות אלה נוטות לספק הפצות רגילות יותר בדומה לזמני תגובה בניסויי החלטות לקסיריים מאשר RTs גולמית . עשרים ושש
- לחילופין, השתמש בשיטות סטטיסטיות שאינן תלויות בהפצות הרגילות ומציעות מודלים חזקים של אפקטים מעורבים ליניאריים ומספקים הערכות שבהן משתמשים אחרים בזיהום או מקורות מזהמים אחרים משפיעים על משהו27.
- מאחר שניתוחי זמן התגובה מתנהלים בדרך כלל על תגובות מדויקות, אין לכלול מבחנים בהם תגובת המשתתפים הייתה שגויה (תגובה של "לא" למילים אמיתיות), כמו גם השמטות.
- גם, לכלול תגובות מדומה מילים מילוי אלא אם יש השערות מסוימות עליהם.
- אל תכלול מבחנים עם זמני תגובה מהר יותר מ 300 ms כי הם בדרך כלל מצביעים כי המשתתף היה מאוחר מדי להגיב לגירוי הקודם או שהוא או היא לחצה בטעות את לחצן התגובה לפני קריאת גירוי.
- בניית מודל מעורב בסיסי של אפקטים מעורבים המזהה RT כאמצעי התוצאה והנושא, הפריט והמשפט כאפקטים אקראיים. שים לב שמשתנים שערכיהם שנדגמו באופן אקראי מקבוצה גדולה יותר (אוכלוסיה) של ערכים נכללים כאפקטים ומשתנים אקראיים בעלי מספר קטן של רמות או שעבורם כל הרמות נכללות בנתונים הם אפקטים קבועים. הוסף את האפקטים האקראיים בטופס (1 | נושא) כדי להעריך מיירט אקראיים עבור כל אחד מהאפקטים האקראיים.
> g1 = lmer (RT ~ (1 | נושא) + (1 | פריט) + (1 | משפט), נתונים = הנתונים שלך)
תקציר > (g1) - הוסף משתני הסבר בסדר מוטיבציה תיאורטי. לדוגמה, הוסף את תדירות הבסיס של המילים כאפקט קבוע. משתנים מסוימים, כגון תדר בסיס או משטח, מצוידים בהפצות של Zi, לכן הוסף אותם למודל עם טרנספורמציה שתוצאתה צורת התפלגות גאוס יותר, לדוגמה, שינוי לוגריתמי.
> g2 = lmer (RT ~ log (תדר בסיס +1) + (1 | נושא) + (1 | פריט) + (1 | משפט), נתונים = הנתונים שלך)
תקציר > (g2) - בדוק עם הפונקציה Anova אם הוספת כל מנבא (לדוגמה, תדירותבסיס) שיפרה באופן משמעותי את כוח הניבוי של המודל בהשוואה למודל ללא החזאי.
> anova (g1, g2)- אם אין הבדל משמעותי בהתאמת המודל החדש לדגם הפשוט יותר, מעדיפים את הדגם הפשוט ביותר עם פחות מפרדיטורים. כמו כן, בדוק את קריטריון המידע של אקאיקה (AIC)30 של כל דגם. AIC הוא מדד של כמה מודלים סטטיסטיים התאמה לקבוצה של נתונים על פי סבירות מקסימלית. ערכים נמוכים יותר מצביעים על התאמה טובה יותר עבור הנתונים31.
> AIC (g1); AIC (g2)
- אם אין הבדל משמעותי בהתאמת המודל החדש לדגם הפשוט יותר, מעדיפים את הדגם הפשוט ביותר עם פחות מפרדיטורים. כמו כן, בדוק את קריטריון המידע של אקאיקה (AIC)30 של כל דגם. AIC הוא מדד של כמה מודלים סטטיסטיים התאמה לקבוצה של נתונים על פי סבירות מקסימלית. ערכים נמוכים יותר מצביעים על התאמה טובה יותר עבור הנתונים31.
- חזור על שלבים 5.7. ו-5.8. על-ידי הוספת משתני הסבר אחרים, לדוגמה, חלק מאלה המוצגים בטבלה 1, בזה אחר זה בסדר תיאורטי מוטיבציה ושמירה רק על אלה שמשפרים באופן משמעותי את כוח הניבוי של המודל. אם נעשה שימוש בגירוי משתנה בתחילת הפעולה, כלול אותו כמשתנה בעל אפקט קבוע במודל.
- תבדקו אם יש הדדיות מוטיבציה. בין הפרקטורים למשל, להוסיף מונח של אינטראקציה היומן של תדר בסיס לפי גיל.
> g3 = lmer (RT ~ log (תדירות בסיס + 1) + גיל + יומן (תדר בסיס +1): גיל + (1 | נושא) + (1 | פריט) + (1 | משפט), נתונים = הנתונים שלך)
הערה: ייתכן שהחזאי משמעותי כמונח של אינטראקציה עם משתנה אחר, אך לא משמעותי כמו החזאי הראשי. במקרה זה, אל תסיר את החזאי מהמודל (כלול אותו גם כאפקט העיקרי). - הוסף את המדרונות האקראיים על ידי משתתף32 עבור מפרדיקים על ידי כלילת "1 +" לפני שם המשתנה, אז "| נושא ", למשל (1 + יומן(תדירות בסיס+1) | נושא), מכיוון שזמני התגובה של המשתתפים עשויים להיות מושפעים ממאפיינים לקסיתיים של מילים בדרכים שונות.
הערה: אם יש מסלולים רציפים רבים, המאפשר להם כל להיות מדרונות אקראיים הוא לא מציאותי כי מודלים מדרון אקראי דורשים כמויות גדולות של נתונים כדי להעריך במדויק סטיות covariances33,34. במידה והדגם המקסימלי אינו מתכנסת (במילים אחרות, מחשב בהצלחה), פשט את הדגם33. לחילופין, ליישם גרסאות בייסיאניות של דוגמנות מדורגת35. - הפעל את הניתוח עבור כל קבוצת משתתפים בנפרד. לחלופין, הפעל ניתוח על כל הנתונים, כאשר הקבוצה מהווה מנבא בעל אפקט קבוע, ולאחר מכן בדוק את האינטראקציה של הקבוצה על-ידי מנבאות משמעותיים.
> g4 = lmer (RT ~ log (תדירות בסיס + 1) + גיל + יומן (תדר בסיס +1): גיל + קבוצה + יומן (תדירות בסיס +1): קבוצה + (1 + log (תדירות בסיס + 1) | נושא) + (1 | פריט) + (1 | משפט), נתונים = הנתונים שלך) - על מנת להסיר את ההשפעה של החוצה האפשרי, לכלול נקודות נתונים עם שאיפה מוחלטת מתוקננת חריגה, למשל, 2.5 סטיות סטנדרטיות26, ו-להתאים מחדש את המודל עם הנתונים החדשים (yourdata2).
> yourdata2 = הנתונים שלך [abs (מרחב (g4)) < 2.5,]
> 5 = lmer (RT ~ log (תדירות בסיס + 1) + גיל + יומן (תדר בסיס +1): גיל + קבוצה + יומן (תדירות בסיס +1): קבוצה + (1 + log (תדירות בסיס + 1) | נושא) + (1 | פריט) + (1 | משפט), נתונים = yourdata2)
הערה: לא כל נקודות הנתונים הקיצוניות מזיקות למודל – רק לאלה שיש להן מינוף מופרז על הדגם. - במקרה של ניתוח (מונחה נתונים), השתמש ברגרסיה לאחור באופן מתמיד: כלול את כל המשתנים בניתוח ההתחלתי ולאחר מכן הסר משתנים שאינם משמעותיים מהמודל בצורה של שלב אחר שלב. לחילופין, השתמש בהליך האוטומטי של ביטול מפטורים לא משמעותיים באמצעות הפונקציה step שמספקת החבילה lmertest29.
> שלב (g4)
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
טבלה 1 מציגה רשימה של משתנים שהושגו משלושה מקורות שונים (קורפוס, מילון ובדיקות פיילוט של פריטי בדיקה) הכלולים בניתוח כפרדיטרים בעלי אפקט קבוע. רבים ממשתנים אלה דווחו בעבר כדי להשפיע על מהירות זיהוי המילה.
| קורפוס | |
| תדר בסיס | מספר הפעמים שמילה מופיעה בקורפוס בכל צורותיה השונות (למשל, ילד וילדים) |
| תדר ביגרמה | מספר הפעמים הממוצע שכל השילובים של שתי אותיות עוקבות מתרחשים בקורפוס |
| גודל משפחה מורפולוגית | מספר המילים הנגזרות והמורכבים שחולקות מילים עם שם העצם |
| תדר משפחתי מורפולוגית | תדירות בסיס מסוכם של כל בני המשפחה מורפולוגיים |
| גודל משפחה בדומה למורפולוגית | כולל לא רק בני משפחה מורפולוגיים, אלא גם מילים המחקות בני משפחה מורפולוגיים בצורתם האורתוגרפית, בין אם הם מורפינים בפועל, ובכך מייצגים חפיפה אורתוגרפית אך לא בהכרח חפיפה סמנטית |
| תדר משפחתי בדומה למורפולוגית | תדירות הבסיס המסוכמת של בני המשפחה הפסאודו-מורפולוגיים |
| תדר פני השטח | מספר הפעמים שמילה מופיעה בקורפוס בדיוק באותו טופס (למשל, ילד). |
| שכיחות שלשה | מספר הפעמים הממוצע שכל השילובים של שלוש אותיות עוקבות מתרחשים בקורפוס |
| מילון | |
| מרחק המינג של אחד | מספר המילים באורך זהה אך שונה רק באות אחת36 |
| אורך | מספר האותיות |
| צפיפות שכונה אורתוגרפית | מספר המילים באורך זהה אך שונה רק באות הראשונה37, 38 |
| בדיקות פיילוט: | ששה עשר משתתפים הצביעו בקנה מידה של שש נקודות (בין 0 ל -5) האומדנים שלהם עבור כל אחת ממילות היעד בפרמטרים הבאים. |
| כשם הראוי | באיזו תכיפות המילה נראית בשם הנכון (למשל, כשם משפחה, כמו בייקר)39 |
| קונקרטיות | הישירות שבה מילים מתייחסות לישויות בטון40 |
| דירוג הכרות | עד כמה המילה מוכרת |
| Imageability | את הקלות והמהירות עם אילו מילים לעורר תמונות מנטליות40 |
. שולחן 1 המשתנים הכלולים בניתוח אפקטים מעורבים כפרקטורים בעלי אפקט קבוע, המתקבלים משלושה מקורות שונים (קורפוס, מילון ובדיקות פיילוט של פריטי בדיקה).
מספר משתני ההסבר יכול להיות קטן או גדול יותר בהתאם לשאלות המחקר ולזמינות המשתנים ממסדי נתונים, מילונים או קורא. עם זאת, כולל מספר גדול של תכונות לקסידוטורים שעלולים לגרום לסיבוכים בצורה של קוליניאריות בין הפרקטורים, כאשר הפרדיפרטורים מתאימים זה לזה ולכן הם מפעילים אפקטים דומים במדד התוצאה. לדוגמה, מילים בטון ויכולת הדפוס של המילים עשויות להיות בקורלציה גבוהה. הנחה בכל ניתוח רגרסיה ליניארית היא שהמשתנים המנענקיים אינם תלויים זה בזה. עם זאת, ככל שיתווספו יותר משתנים למודל, הסיכון שחלק מהמשתנים אינם תלויים אחד בשני. ככל שהקורלציה בין המשתנים גבוהה יותר, הקולינאריות הזאת יכולה להיות מזיקה יותר לדגם41. תוצאה פוטנציאלית של קוליניאריות היא שרמת המובהקות של מספר מפרטורים עשויה להיות מלאכותי.
כדי למנוע את השפעת הקוליניאריות בין הפרדיטורים, יש לצמצם את מספר הפרדיטורים. אם שני מפרטורים מציגים קולינאריות, יש לכלול רק אחד מהם במודל. עם זאת, אם יותר משני מפרטורים מציגים קולינאריות, לאחר מכן לא כולל את כל הגורמים הבאים, אך אחד מהם יוביל לאובדן שונות שהוסברו. מצד אחד, חוקר עשוי להקטין את מספר המשתנים המובנים שכבר בתכנון הניסיוני א-פריורי, ולהשאיר רק את אלה שאינם מונחי השערות (מוטיבציה תיאורטית) ולאפשר לחוקר לבחון השערות בין אוכלוסיות שונות. מצד שני, לפעמים אין תיאוריה קיימת, ולכן, סביר להשתמש בניתוח הרכיבים העיקריים (PCA)41 כדי להקטין את מספר הפרקטורים על-ידי שילוב מיקורים בעלי אפקטים דומים ברכיבים. בניתוח זה, המרחב המנבא היה מנוקד והרכיבים העיקריים של החלל החדש שימשו כפרדיקים (בעקבות הצעדים המתוארים כאן41 בעמודים 118-126). חסרון אחד בשימוש ב-PCA הוא שלפעמים הרכיבים מקשים על חוסר ההשפעה של ההשפעות של מספר מורים; ייתכן שכולן יצוצו עם העמסה חזקה על אותו מרכיב ראשי.
הצלחנו להפוך את כל הפרקטורים הליקסילים לחמישה רכיבים עיקריים כדי לבחון כיצד מהירות זיהוי המילה עשויה להיות שונה עבור מבוגרים צעירים יותר ומבוגרים יותר. עם זאת, רק שניים מהם היו משמעותיים בנתוני המבוגרים הצעירים (שולחן 3): PC1 ו-PC4. שלושה מרכיבים עיקריים (PCs) היו מפטורים משמעותיים במודל לבקרת קשישים (שולחן 4), MCI (שולחן 5) ויחידים עם AD (שולחן 6).
| PC2 | |
| . ביגרמה פריש | -0.390 |
| מרחק המינג של אחד | -0.350 |
| . שלשה אחרונה | -0.330 |
| צפיפות השכונה | -0.320 |
| אורך | -0.226 |
| . שלשה ראשונה | -0.224 |
| גודל משפחה מדומה (סופי) | -0.124 |
| משפחה מדומה freq. (סוף) | -0.052 |
| משפחה פרש (תרכובות) | -0.042 |
| גודל משפחה (תרכובות) | -0.039 |
| משפחה (מילים נגזרות) | -0.036 |
| גודל משפחה (מילים נגזרות) | -0.034 |
| . לפני השטח | -0.023 |
| . בסיס שאלות | -0.008 |
| גודל משפחה מדומה (ראשוני) | 0.070 |
| דירוג הכרות | 0.093 |
| כשם הראוי | 0.102 |
| משפחה מדומה (התחלתית) | 0.113 |
| קונקרטיות | 0.275 |
| Imageability | 0.296 |
| גודל משפחה מדומה (פנימי) | 0.296 |
| משפחה מדומה (פנימי) | 0.316 |
. שולחן 2 מטריצת הסיבוב עבור PC2. ה-עמסות הם המידה שבה כל משתנה תורם לרכיב. הטבלה הזו שונתה. באישור מקורטקס3
Table 2 מציג את המשתנים הלקסיתיים עם העמסה שלהם ב-PC2. החזקה הטובה ביותר עמסות של PC2 היו בגודל פסאודו משפחה ותדירות חפיפה במצב הפנימי. ההעמסה השלילית החזקה ביותר היו תדר ביגרם, מרחק המינג של אחד, תדר שלשה סופי וצפיפות שכונתית אורתוגרפית. מכיוון שכל המשתנים הללו מבוססים בעיקר על מבוססי-צורה ולא על בסיס משמעות, PC2 מפורש כמשקף את ההשפעה של היבטים מבוססי צורה של מילה על מהירות זיהוי המילה.
טבלה 3 מציגה את התוצאות של ניתוח תופעות מעורבות למבוגרים צעירים (31 משתתפים). מאז PC2 לא היה מנבא משמעותי של זמני התגובה של מבוגרים צעירים (לראות שולחן 3), זה נראה כי משתנים אלה מבוססי צורה יש פחות השפעה על זמני התגובה של מבוגרים צעירים לעומת מבוגרים יותר, כולל אלה עם AD או MCI .
| אפקטים קבועים | ערכה | שגיאת Std | ערך t | ערך p |
| יירט | -1.31 | 0.05 | -26.36 | < 0.001 |
| אלומומורס | -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 |
| אפקטים אקראיים | ||||
| קבוצות | שם | שונות | Std. Dev. | קור |
| פריט | יירט | 0.009 | 0.095 | |
| נושא | יירט | 0.032 | 0.179 | |
| PC1 | 4.765 e-05 | 0.007 | 0.08 | |
| שיורית | 0.005 | 0.235 | ||
| מספר ה2862; פריט, 99; נושא, 31 | ||||
. שולחן 3 מקדמים משוערים, שגיאות סטנדרטיות וערכי t-and-p עבור המודלים המעורבים המצוידים בתגובות התגובה המעורבבות למילים אמיתיות עבור מבוגרים צעירים. הטבלה הזאת השתנתה עם אישור מקליפת המוח3.
ניתן לפרש את ההערכה עבור משתנה בעל אפקט קבוע כסכום שבו המשתנה התלוי (RT) מגדיל או קטן אם הערך של אפקט קבוע זה משתנה. אם ההערכה היא שלילית, פירוש הדבר שהמשתנה מתאים באופן שלילי לזמני תגובה (ככל שמשתנה גבוה יותר, הקטן יותר (מהר יותר) זמני התגובה). ערך ה-t אמור להיות בדרך כלל קטן מ-2 או גדול מ-2 כדי שהחזאי יהיה משמעותי.
טבלה 4, טבלה 5וטבלה 6 מציגות את תוצאות ניתוח ההשפעות המעורבות עבור בקרות קשישים (17 משתתפים), אנשים עם MCI (24 משתתפים), ואנשים עם AD (21 משתתפים).
הבדל מעניין אחד בין שלוש הקבוצות הקשישים התפתחה: החינוך החזוי באופן משמעותי מהירות של זיהוי מילים בבקרי קשישים (שולחן 4; ההערכה לחינוך היא שלילית, מה שאומר שעוד שנים של חינוך היה המשויכים פעמים תגובה מהירה יותר) ואנשים עם MCI (שולחן 5), אך לא אצל אנשים עם AD (שולחן 6; החינוך ירד מן המודל מאז לא היה מנבא משמעותי, אם כי לא היה הבדל ברור בשונות של שנים של חינוך בין קבוצות אלה (AD: משמעות 10.8 שנים, SD 4.2, טווח 5-19; MCI: ממוצע 10.4 שנים, SD 3.5, טווח 6-17; שולטת קשישים: ממוצע 13.7 שנים, SD 3.7, טווח 8-20).
| אפקטים קבועים | ערכה | שגיאת Std | ערך t | ערך p |
| יירט | -0.72 | 0.157 | -4.574 | < 0.001 |
| אלומומורס | -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 |
| חינוך | -0.024 | 0.011 | -2.237 | 0.041 |
| אפקטים אקראיים | ||||
| קבוצות | שם | שונות | Std. Dev. | |
| פריט | יירט | 0.003 | 0.057 | |
| נושא | יירט | 0.026 | 0.16 | |
| שיורית | 0.033 | 0.181 | ||
| מספר ה1595; פריט, 99; נושא, 17 | ||||
. שולחן 4 מקדמים משוערים, שגיאות סטנדרטיות וערכי t-and-p עבור המודלים המעורבים המצוידים בהשהיות התגובה המשובבות למילים אמיתיות עבור פקדים קשישים. הטבלה הזאת השתנתה עם אישור מקליפת המוח3.
| אפקטים קבועים | ערכה | שגיאת Std | ערך t | ערך p |
| יירט | -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 |
| חינוך | -0.039 | 0.01 | -3.708 | 0.001 |
| אפקטים אקראיים | ||||
| קבוצות | שם | שונות | Std. Dev. | |
| פריט | יירט | 0.003 | 0.056 | |
| נושא | יירט | 0.03 | 0.174 | |
| שיורית | 0.061 | 0.248 | ||
| מספר ה2227; פריט, 99; נושא, 24 | ||||
. שולחן 5 מקדמים משוערים, שגיאות סטנדרטיות וערכי t-and-p עבור המודלים המעורבים המצוידים בהשהיות התגובה המשובבות עבור מילים אמיתיות עבור אנשים עם MCI. הטבלה הזאת השתנתה עם אישור מקליפת המוח3.
| אפקטים קבועים | ערכה | שגיאת Std | ערך t | ערך p |
| יירט | -0.876 | 0.051 | -17.017 | < 0.001 |
| אלומומורס | -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 |
| אפקטים אקראיים | ||||
| קבוצות | שם | שונות | Std. Dev. | קור |
| משפט | יירט | 0.001 | 0.034 | |
| פריט | יירט | 0.002 | 0.049 | |
| נושא | יירט | 0.045 | 0.212 | |
| PC1 | 4.138 e-05 | 0.006 | 0.83 | |
| שיורית | 0.026 | 0.162 | ||
| מספר ה1879; פריט, 99; נושא, 21 | ||||
. שולחן 6 מקדמים משוערים, שגיאות סטנדרטיות וערכי t-and-p עבור המודלים המעורבים המצוידים במילות התגובה המהותאמו למילים אמיתיות עבור אנשים עם AD. הטבלה הזאת השתנתה עם אישור מקליפת המוח3.
המחקר שדווח כאן התייחס לשאלה נוספת: האם מספר ה-allom, הקשור למילה משפיע על המהירות של זיהוי תמלילים42,43. הגזע allomיתום הם צורות שונות של גזע מילה על פני הקשרים לשוניים שונים. לדוגמה, באנגלית, כף הרגל יש שני גזע allomיתום , רגל ורגליים. במילים אחרות, המילה גבעול משתנה בהתאם לצורת היחיד או היחידה. המחקר תיאר כאן רמקולים בחנו של פינית, שפה כי יש די המורכבות יותר השינויים הגבעול שלה בהשוואה לאנגלית. מילים עם הרבה יותר allורפולוגיה (כלומר, מילים עם שינויים יותר הגבעולים שלהם) מקבל זמני תגובה מהירה יותר בכל הקבוצות (שולחן 3, טבלה 4, ושולחן 6; האומדנים עבור מספר allomorphy היתה שלילית, כלומר גבוה יותר את המספר של allom, מילה היה, מהר יותר את זמני התגובה שהוא הביא, למעט קבוצת MCI (שולחן 5; מספר allom, לא היה מנבא משמעותי ולכן ירד מן המודל).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
על-ידי שימוש בפעילות שפה פשוטה שאינה דורשת הפקת שפה, המחקר הנוכחי חקר את ההשפעה של משתנים לקסילים שונים על הכרה במילה אצל צעירים בריאים נוירווגית ומבוגרים יותר, כמו גם אצל אנשים עם מחלת אלצהיימר או ליקוי קוגניטיבי מתון. טווח הגילאים המשמש לגיוס "מבוגרים בוגרים" עשוי להיות תלוי באינטרסים המחקרים הספציפיים; עם זאת, הטווח עבור הקבוצה קשישים בריאים צריך להתאים ככל האפשר את טווח הגילאים והפצה עבור אנשים עם MCI או AD מגויס לאותו מחקר.
כדי להימנע מקוליניאריות בין מנוקד, המשתנים הלקסיתיים שימשו לרכיבים העיקריים ונוספו למודלים של אפקטים מעורבים, שבהם שימש זמני תגובה כמשתנה התלוי. השילוב של ניסוי החלטה פשוט לקסיקלי וניתוח רגרסיה מעורב, הוביל את הרומן לגלות שקשיי השפה לחולים עם AD עשויים להיות מיוחסים לא רק לשינויים במערכת הסמנטית אלא גם להסתמכות מוגברת בטופס המילה. מעניין, דפוס דומה נמצא עבור אנשים עם ליקוי קוגניטיבי מתון וקשישים בריאים מאוד. הדבר מרמז על כך שהסתמכות מוגברת על היבטים מבוססי-טפסים של עיבוד שפה עשויה להיות חלק משינוי משותף בגיל הקשר בזיהוי מילים בכתב.
בתכנון עצרת, החוקרים יוצרים באופן מסורתי שתי קבוצות או יותר של מילים שונות בהתאם למשתנה הריבית ולאחר מכן להתאים קבוצות אלה של מילים על מספר מאפיינים לקסיתיים אחרים העלולים להשפיע על מהירות העיבוד. ההנחה היא כי כל הבדל התנהגותי שהושג בין שני סטים של מילים אלה יש לייחס מניפולציות (כלומר, ללא תחרות) משתנה. בעיה אחת עם סוג זה של עיצוב היא כי קשה מאוד להתאים סטים של מילים על יותר מאשר כמה משתנים. בעיה נוספת היא שייתכן שקיימים מספר משתנים משמעותיים שעשויים להיות בעלי התאמה להגדרת המילה ולא היתה אפשרות להתאים אותם לסוגים שונים של סיבות. כמו כן, העיצוב העצרת מתייחס לתופעות מתמשכת כאילו הן גורמים דיכוטומים. השימוש במודלים של אפקטים מעורבים לניתוח סטטיסטי של הנתונים ההתנהגותית מאפשר לחוקר לכלול משתנים לקסילים חשובים מאוד כמשתני הסבר ללא צורך להתאים מילים או רשימות של מילים בהתאם למשתנים אלה. במודל של אפקטים מעורבים, נושא המשתנים (קוד משתתף/מספר), פריט (גירויים ניסיוניים) וגירסת ניסיון (מספר ניסיון) נוספים כאפקטים אקראיים. ההודעות האקראיות נכללו בגלל שהנחה היא שנושאים משתנים בשעות התגובה הכלליות שלהם (כלומר, חלק מהמשתתפים באופן טבעי איטיים או מהירים יותר ברחבי הלוח)
מתודולוגיה זו יכולה להיות מוחלת על סוגים אחרים של שאלות ועל אוכלוסיות אחרות, למשל, רב ביואלולים או אנשים עם אפאזיה. עבור הקבוצה הקודמת, עיבוד השפה עשוי להיות שונה ממונולסטיקה, כך שמשתנה זה ייחשב לנחשב כגיוס אוכלוסיה בשפה מעורבת, על-ידי הגבלת הגיוס לסוג אחד בלבד של קבוצה או על-ידי השוואת התוצאות מאוחר יותר כדי לקבוע אם רקע לשפה השפיעו על תוצאות.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
. למחברים אין מה לגלות
Acknowledgments
אנו מודים למינה לייטונין, טומו הנסל, מרסי הליליטן, והילאקה סואינטן על תרומתם לאיסוף הנתונים והעיבוד שדווחו כאן. איסוף הנתונים היה נתמך על ידי VPH מחקר דמנציה מופעל על ידי האיחוד האירופי, גרנט הסכם No. 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/. |
References
- Bybee, J. From Usage to Grammar: The Mind's Response to Repetition. Language. 82 (4), 711-733 (2006).
- Oldfield, R. C., Wingfield, A.
- 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).
- Milin, P., Feldman, L. B., Ramscar, M., Hendrix, P., Baayen, R. H.
- 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).
- 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).
- Ossher, L., Flegal, K. E., Lustig, C. Everyday memory errors in older adults. Aging, Neuropsychology, and Cognition. 20, 220-242 (2013).
- 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).
- 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).
- Cuetos, F., Arce, N., Martínez, C. Word recognition in Alzheimers’s disease: Effects of semantic degeneration. Journal of Neuropsychology. 11, 26-39 (2015).
- 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).
- Obler, L. K. Language and brain dysfunction in dementia. Language functions and brain organization. Segalowitz, S. , Academic Press. New York, NY. 267-282 (1983).
- 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).
- Obler, L. K., Gjerlow, K. Language and the brain. , Cambridge University Press. Cambridge. (1999).
- 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).
- 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).
- 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).
- 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).
- 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).
- Brants, T., Franz, A. Web 1T 5-gram, version 1. , Linguistic Data Consortium. Philadelphia. (2006).
- Baayen, R. H., Piepenbrock, R., Gulikers, L. The CELEX lexical database (CD-ROM). , Linguistic Data Consortium. Philadelphia, PA. (1995).
- 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).
- 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).
- R Core Team. R: A language and environment for statistical computing. , R Foundation for Statistical Computing. Vienna, Austria. (2018).
- Venables, W. N., Ripley, B. D. Modern applied statistics with S. , 4th ed, Springer. New York, NY. (2002).
- Baayen, R. H., Milin, P.
- Koller, M. robustlmm: An R package for robust estimation of linear mixed-effects models. Journal of Statistical Software. 75 (6), 1-24 (2016).
- Bates, D., Mächler, M., Bolker, B., Walker, S. Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software. 67, 1-48 (2015).
- 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).
- 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).
- Sakamoto, Y., Ishiguro, M., Kitagawa, G. Akaike Information Criterion Statistics. , D. Reidel Publishing Company. (1986).
- 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).
- Bates, D., Kliegl, R., Vasishth, S., Baayen, H.
- Harrison, X. A., et al. Brief introduction to mixed effects modelling and multi-model inference in ecology. PeerJ. 6, 1-32 (2018).
- 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).
- 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).
- 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).
- 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).
- Cohen, G. Recognition and retrieval of proper names: Age differences in the fan effect. European Journal of Cognitive Psychology. 2 (3), 193-204 (1990).
- Kemmerer, D. Cognitive neuroscience of language. , Psychology Press. New York. (2015).
- Baayen, R. H. Analyzing linguistic data: A practical introduction to statistics using R. , Cambridge University Press. Cambridge. (2008).
- 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).
- Nikolaev, A., et al. Behavioural and ERP effects of paradigm complexity on visual word recognition. Language, Cognition and Neuroscience. 10, 1295-1310 (2014).
