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

Compito decisionale lessicale per studiare il riconoscimento delle parole scritte negli adulti con e senza demenza o lieve danno cognitivo

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

Questo articolo descrive come implementare un semplice esperimento di decisione lessicale per valutare il riconoscimento delle parole scritte nei partecipanti neurologicamente sani e negli individui con demenza e declino cognitivo. Forniamo anche una descrizione dettagliata dell'analisi del tempo di reazione utilizzando l'analisi dei componenti principali (PCA) e la modellazione di effetti misti.

Abstract

Gli adulti più anziani sono più lenti a riconoscere gli oggetti visivi rispetto agli adulti più giovani. Lo stesso vale per riconoscere che una stringa di lettere è una parola reale. Le persone con malattia di Alzheimer (AD) o Mild Cognitive Impairment (MCI) dimostrano risposte ancora più lunghe nel riconoscimento delle parole scritte rispetto ai controlli anziani. Nonostante la tendenza generale verso un riconoscimento più lento nell'invecchiamento e nei disturbi neurocognitivi, alcune caratteristiche delle parole influenzano la velocità di riconoscimento delle parole indipendentemente dall'età o dalla neuropatotologia (ad esempio, la frequenza di utilizzo di una parola). Vi presentiamo qui un protocollo per esaminare l'influenza delle caratteristiche lessicali sui tempi di risposta del riconoscimento delle parole in un semplice esperimento di decisione lessicale somministrato agli adulti più giovani e anziani e alle persone con MCI o AD. In questo esperimento, ai partecipanti viene chiesto di decidere nel modo più rapido e preciso possibile se una determinata stringa di lettera sia o meno una parola reale. Descriviamo anche modelli a effetti misti e analisi dei componenti principali che possono essere utilizzati per rilevare l'influenza di diversi tipi di variabili lessicali o delle singole caratteristiche dei partecipanti sulla velocità di riconoscimento delle parole.

Introduction

Le parole sono memorizzate nel lessico mentale in una rete altamente interconnessa. Le connessioni tra le parole possono riflettere proprietà condivise, come la somiglianza semantica (ad esempio, cane e gatto), la somiglianza (cane e nebbia)o la co-occorrenza frequente nell'uso comune del linguaggio (ad es. cane e guinzaglio). Teorie cognitive del linguaggio,come la teoria basata sull'uso 1, sostengono che ogni incontro di una parola da parte di un utente linguistico ha un effetto sulla rappresentazione mentale della parola. Secondo la teoria di esempio, la rappresentazione di una parola è costituita da molti esemplari, che sono costruiti da singoli token di uso del linguaggio e che rappresentano la variabilità che esiste per una determinata categoria. La frequenza di utilizzo2 influisce sulle rappresentazioni in memoria contribuendo alla forza di un esempio1.

La velocità di riconoscimento delle parole può rivelare le caratteristiche del lessico mentale. Un paradigma sperimentale comunemente usato per misurare la velocità del riconoscimento delle parole è il compito decisionale lessicale. In questa attività, ai partecipanti vengono presentate stringhe di lettere su un monitor, una alla volta. Essi sono istruiti a decidere il più rapidamente possibile se la stringa di lettera sullo schermo è una parola reale o non premendo il pulsante corrispondente.

Esaminando i tempi di reazione per le parole reali, i ricercatori possono affrontare una serie di domande importanti sull'elaborazione del linguaggio. Ad esempio, identificare quali fattori rendono più veloce il riconoscimento può testare ipotesi sulla struttura del lessico mentale e rivelarne l'architettura. Inoltre, il confronto delle prestazioni tra diversi gruppi di partecipanti può aiutarci a comprendere l'influenza di vari tipi di esperienza linguistica o, nel caso di malattie di invecchiamento o neurodegenerative (ad esempio, il morbo di Alzheimer), il ruolo declino.

Alcuni fattori (ad esempio, la frequenza di utilizzo) hanno un'influenza maggiore sul riconoscimento delle parole rispetto ad altri fattori (ad esempio, la lunghezza delle parole). Con l'avanzare dell'età, il modo in cui le persone riconoscono le parole scritte potrebbe cambiare3,4. Gli adulti più giovani tendono a fare molto affidamento sugli aspetti semantici (basati sul significato) di una parola, come il numero di composti (ad esempio, bulldog)o parole derivate (ad esempio, doggy) condividono aspetti di forma e significato con la parola di destinazione (in questo caso, cane). Il riconoscimento delle parole per gli adulti più anziani sembra essere più influenzato dagli aspetti basati sulla forma, come la frequenza con cui due lettere successive si contraddicono nella lingua (ad esempio, la combinazione di lettere st si verifica più spesso nelle parole inglesi rispetto alla combinazione sk).

Per determinare i fattori che influenzano la velocità di riconoscimento delle parole in diversi gruppi, il ricercatore può manipolare determinate variabili nel set di stimoli e quindi testare la potenza di queste variabili per prevedere la velocità di riconoscimento delle parole. Ad esempio, per verificare se il riconoscimento delle parole è guidato da fattori semantici o basati su form, il set di stimoli deve includere variabili che riflettono il grado di connettività di una parola ai suoi vicini semantici nel lessico mentale o la sua connettività ad altre parole che condividono parte della sua forma.

Questo metodo è stato utilizzato nello studio attuale per studiare se la velocità di riconoscimento delle parole è influenzata da diversi fattori negli adulti più giovani e più anziani e negli individui con malattia di Alzheimer (AD) o lieve danno cognitivo (MCI)3. Il metodo qui descritto si basa sul riconoscimento visivo delle parole, ma può essere adattato alla modalità uditiva. Tuttavia, alcune variabili che sono predittori significativi dei tempi di reazione in un tipico esperimento di decisione lessicale visiva potrebbero non prevedere le latenze di risposta in una decisione lessicale uditiva o possono avere l'effetto opposto. Ad esempio, il quartiere fonologico ha l'effetto opposto su queste due modalità5: le parole con quartieri fonologici più grandi esibiscono un effetto facilitatorivo sul riconoscimento visivo delle parole, ma si traducono in latenze di risposta più lunghe in decisione lessicale uditiva6.

Le difficoltà di ricerca delle parole negli adulti più anziani7 sono state generalmente attribuite alla difficoltà di accesso alla forma di parola fonologica piuttosto che a una ripartizione della rappresentazione semantica8. Tuttavia, la ricerca AD si è concentrata principalmente sui cali semanticidi 9,10,11,12,13,14. È importante districare il modo in cui i fattori semantici e ortografici influenzano il riconoscimento delle parole scritte nell'invecchiamento con e senza declino cognitivo. L'influenza dei fattori legati alla forma è più pronunciata negli adulti più anziani che negli adulti più giovani e rimane significativa nelle persone con MCI o AD3. Così, questa metodologia può aiutarci a scoprire le caratteristiche del lessico mentale tra diverse popolazioni e identificare i cambiamenti nell'organizzazione del lessico con l'età e la neuropatologia. Una preoccupazione quando si testano i pazienti con neuropatologia è che essi possono avere difficoltà ad accedere alle conoscenze relative alle attività. Tuttavia, il compito decisionale lessicale è un compito semplice, senza alcun onere sulla memoria di lavoro o altre abilità cognitive complesse che molti pazienti presentano problemi con. È stato considerato appropriato per le popolazioni di AD e MCI.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Il protocollo segue le linee guida del Comitato Etico del Distretto Ospedaliero del Savo Settentrionale (IRB00006251).

1. Screening dei partecipanti

  1. Recluta adulti più giovani e più anziani che hanno una visione normale o corretta-to-normale e sono madrelingua della lingua testata a meno che lo studio non affronti domande specifiche di ricerca riguardanti l'acquisizione della seconda lingua.
  2. Per gruppi di controllo sani, escludere i partecipanti che hanno una storia di disturbi neurologici o psichiatrici.
  3. Per i gruppi clinici, reclutare individui che sono stati diagnosticati con il morbo di Alzheimer15 o lieve danno cognitivo16,17. Reclutare solo persone che sono in grado di dare il consenso informato, secondo il giudizio del medico. Per confronti accurati, abbinare la fascia di età e la media dei gruppi clinici con quella dei partecipanti adulti anziani sani.
  4. Misurare la gravità della demenza, ad esempio, utilizzando la scala Clinical Dementia Rating Scale18 (CDR, 0 , nessuna demenza, 0,5 , molto lieve, 1 , lieve, 2 - moderato, 3 - grave). Escludere i pazienti con grave demenza perché il compito può essere troppo difficile per loro. Non includere i partecipanti che sembrano incapaci di seguire le istruzioni, nonostante il loro livello di gravità.

2. Costruzione di stimoli

  1. Selezionare gli stimoli delle parole per rispondere a domande di ricerca specifiche, ad esempio se le variabili semantiche o ortografiche/fonologiche hanno un'influenza più forte sul riconoscimento delle parole19 in popolazioni diverse.
  2. Calcolare da un corpus20 o recuperare da un database21 variabili che riflettono le caratteristiche semantiche, fonologiche e ortografiche degli stimoli in modo che possano essere utilizzati sia come predittori teoricamente motivati che spiegano la parola tempi di reazione di riconoscimento o come variabili di controllo. Inoltre, utilizzare il sesso, l'età e gli anni di istruzione dei partecipanti come variabili esplicative o di controllo.
  3. Oltre alle parole reali, costruisci una serie di pseudo-parole corrispondenti. Le pseudo-parole assomigliano a parole reali in quanto sono conformi alle norme linguistiche per il posizionamento di determinate lettere in determinate posizioni di parola (fonotiastica). Al fine di controllare la fonotattica, creare pseudo-parole, per esempio, ricombinando casualmente le prime sillabe da alcune parole con le seconde sillabe da altre parole. Rimuovere tutti gli elementi che è successo a produrre una parola reale attraverso questa ricombinazione e tutti gli elementi che violano la fonotattica della lingua.
  4. Abbina le pseudo-parole con le parole di destinazione in termini di lunghezza della parola in lettere e frequenza bigram, che è il numero medio di volte in cui tutte le combinazioni di due lettere successive si verificano in un corpus di testo. Queste variabili hanno dimostrato di influenzare la velocità di riconoscimento.
    NOTA: la manipolazione del rapporto pseudo-parola (ad esempio, il numero di parole reali rispetto al numero di pseudo-parole) può portare a risultati diversi, con risposte agli stimoli meno probabili che sono più lenti e meno accurate22.
  5. Aggiungere un set di riempitivi di parole reali per ridurre l'aspettativa del partecipante dello stimolo successivo appartenente a un certo tipo (ad esempio, una determinata classe inflessionale). Sceglili, per esempio, da diverse categorie di parole (ad esempio, classi inflessionali) rispetto a quelle utilizzate per costruire stimoli in base alle caratteristiche di interesse.

3. Progettazione sperimentale

  1. Presentare le stringhe di lettere orizzontalmente, una alla volta, sottraendo un angolo visivo di circa 5 gradi.
  2. Inizia l'esperimento con una sessione di pratica che includa un piccolo numero di prove, con una parola presentata per ogni prova (ad esempio, 15 parole e 15 pseudo-parole non incluse nell'esperimento vero e proprio). Questo per familiarizzare il partecipante con l'attività e i pulsanti di risposta. Se il partecipante non risponde con precisione (pulsante ''sì' per parole reali e pulsante 'no' per le pseudo-parole) durante le prove di pratica, fornire feedback e rifare la sessione di pratica.
  3. Dividere l'esperimento in blocchi e dare brevi pause dopo la sessione di pratica e tra i blocchi. Queste pause permettono ai partecipanti di riposare gli occhi e ridurranno l'affaticamento.
  4. Iniziare ogni nuovo blocco con alcuni elementi di riempimento che non saranno inclusi nell'analisi (ad esempio, sostantivi comuni come cane, sorella, anno) perché le prime prove del blocco vengono talvolta ignorate dai partecipanti con MCI o AD.
  5. Presentare gli elementi sperimentali in ordine casuale per ogni partecipante.
  6. Iniziare ogni prova con un segno di fissaggio (ad esempio, un segno di cancello) che appare al centro dello schermo per 500 ms, seguito da una schermata vuota per un valore fisso (ad esempio, 500 ms) o una quantità di tempo variabile (ad esempio, 500-800 ms).
  7. Immediatamente dopo la schermata vuota, presentare una stringa di lettera (parola o pseudo-parola) per 1.500 ms o fino a quando il partecipante risponde.
  8. Dopo aver effettuato una risposta o dopo 1.500 ms dall'inizio della parola (a seconda di quale viene prima), seguire nuovamente con una schermata vuota fino a quando 3000 ms è passato dall'inizio del processo.
  9. Ripetere questa sequenza fino a quando non sono stati presentati tutti gli elementi dell'esperimento.
    NOTA: I tempi per il ritardo tra gli stimoli servono come esempio. La loro modifica può influire sul modello dei risultati.

4. Procedura sperimentale

  1. Posizionare il partecipante davanti a un monitor del computer ad una distanza di visualizzazione di circa 80 cm in una stanza normalmente illuminata.
  2. Istruire il partecipante a decidere nel modo più rapido e preciso possibile se la stringa della lettera sullo schermo sia una parola reale o meno premendo uno dei due pulsanti corrispondenti con la mano dominante (ad esempio, l'indice per le parole reali e il dito medio per pseudo-parole) o utilizzando l'indice di ogni mano.
    NOTA: I partecipanti cercano di ottimizzare le loro prestazioni in linea con le istruzioni. Così, le loro risposte saranno influenzate da stress velocità sulla precisione o viceversa23.

5. Analisi dei dati con un modello a effetti misti in R

NOTA: Molti programmi statistici diversi possono essere utilizzati per eseguire l'analisi. In questa sezione vengono descritti i passaggi per l'analisi dei dati in R24.

  1. Ottenere il tempo di reazione (RT) misurato in millisecondi per ogni prova dal file di output del programma di presentazione (ad esempio, software E-Studio).
  2. Installare i pacchetti lme428 e lmerTest29. Allegare i pacchetti con la libreria di funzioni o richiedere.
  3. Importare i dati in R utilizzando, ad esempio, la funzione read.table.
  4. Verificare la necessità di trasformazione, ad esempio con la funzione boxcox dal pacchetto MASS 25, poiché la distribuzione dei dati RT è in genere altamente distorta.
    > libreria (MASS)
    > boxcox(RT : Expnanatory_variable, dati e dati)
    NOTA: il grafico prodotto dalla funzione boxcox mostra un intervallo di confidenza del 95% per il parametro di trasformazione boxcox. A seconda dei valori dell'espressione lambda che si trovano all'interno di questo intervallo, è possibile scegliere la trasformazione necessaria, ad esempio, la , ovvero 1 (trasformazione inversa), 0 (trasformazione logaritmica), 1/2 (trasformazione della radice quadrata) e 1/3 (trasformazione della radice del cubo).
    1. Trasformare i valori RT utilizzando RT trasformati invertiti (ad esempio, -1000/RT) o logaritmi binari di RT (ad esempio, log2(RT)) poiché queste trasformazioni tendono a fornire distribuzioni più normali per i tempi di reazione negli esperimenti decisionali lessicali rispetto agli RT non elaborati 26.
    2. In alternativa, utilizzare metodi statistici che non si basano su distribuzioni normali e si adattano a robusti modelli a effetti misti lineari e forniscono stime su quali anomali o altre fonti di contaminazione hanno poca influenza27.
  5. Poiché le analisi del tempo di reazione sono tipicamente condotte su risposte accurate, escludere le prove in cui la risposta dei partecipanti non era corretta (risposta di "no" alle parole reali) e le omissioni.
    1. Inoltre, escludere le risposte a pseudo-parole e riempitivi a meno che non ci siano ipotesi specifiche su di loro.
    2. Escludere le prove con tempi di risposta superiori a 300 ms perché indicano in genere che il partecipante era troppo tardi rispondendo a uno stimolo precedente o che lui o lei accidentalmente premuto il pulsante di risposta prima di leggere lo stimolo.
  6. Creare un modello di effetti misti lineare di base che identifichi RT come misura del risultato e Oggetto, Elementoe Prova come effetti casuali. Si noti che le variabili i cui valori vengono campionati in modo casuale da un insieme più grande (popolazione) di valori sono inclusi come effetti casuali e variabili con un numero ridotto di livelli o per i quali tutti i livelli sono inclusi nei dati sono effetti fissi. Aggiungere gli effetti casuali nella forma (1 Oggetto) al fine di stimare le intercettazioni casuali per ciascuno degli effetti casuali.
    > g1 - lmer (RT Oggetto) (1) Elemento) (1) Prova), dati - dati)
    > riepilogo (g1)
  7. Aggiungere variabili esplicative in un ordine teoricamente motivato. Ad esempio, aggiungere la frequenza di base delle parole come effetto fisso. Alcune variabili, ad esempio la frequenza di base o di superficie, hanno distribuzioni zippitiane, quindi inserirle nel modello con una trasformazione che si traduce in una forma di distribuzione più gaussiana, ad esempio la trasformazione logaritmica.
    > g2 , lmer (RT , log(BaseFrequency 1) Oggetto) (1) Elemento) (1) Prova), dati - dati)
    > sintesi (g2)
  8. Verificare con la funzione Anova se si aggiunge ciascun predittore (ad esempio, BaseFrequency) è stata migliorata in modo significativo la potenza predittiva del modello rispetto a un modello senza il predittore.
    > anova (g1, g2)
    1. Se non vi è alcuna differenza significativa nella vestibilità del nuovo modello rispetto al modello più semplice, preferire il modello più semplice con meno predittori. Inoltre, controllare il Akaike Information Criterion (AIC)30 di ogni modello. AIC è una misura di quanto bene i modelli statistici si adattano a un insieme di dati in base alla massima probabilità. Valori più bassi indicano una migliore adattamento per i dati31.
      > AIC (g1); AIC (g2)
  9. Ripetere i passaggi 5.7. e 5,8. aggiungendo altre variabili esplicative, ad esempio alcune di quelle presentate nella Tabella1, una ad una in un ordine teoricamente motivato e mantenendo solo quelle che migliorano significativamente il potere predittivo del modello. Se è stata usata l'asincronia di esordio dello stimolo variabile, includerla come variabile a effetto fisso nel modello.
  10. Verificare la presenza di interazioni teoricamente motivate tra predittori. Ad esempio, aggiungere un termine di interazione al registro di Frequenza di base per età.
    > g3 , lmer (RT , log(BaseFrequency 1) , Età , log (BaseFrequency 1) : Età ( ) Oggetto) (1) Elemento) (1) Prova), dati - dati)
    NOTA: È possibile che un predittore sia significativo come termine di interazione con un'altra variabile, ma non significativo come predittore principale. In questo caso, non rimuovere questo predittore dal modello (includerlo anche come effetto principale).
  11. Aggiungere pendenze casuali per partecipante32 per i predittori includendo "1 " prima del nome della variabile, quindi Oggetto", ad esempio, (1 log(BaseFrequency ) Oggetto), perché i tempi di risposta dei partecipanti potrebbero essere influenzati dalle caratteristiche lessicali delle parole in modi diversi.
    NOTA: Se ci sono molti predittori continui, permettere a tutti di avere pendenze casuali è irrealistico perché i modelli di pendenza casuali richiedono grandi quantità di dati per stimare con precisione le varianze e le covarianze33,34. Nel caso in cui il modello massimo non converge (in altre parole, calcolare con successo), semplificare il modello33. In alternativa, implementare le versioni bayesiane della modellazione multilivello35.
  12. Eseguire l'analisi per ogni gruppo di partecipanti separatamente. In alternativa, eseguire un'analisi su tutti i dati, con group come predittore a effetto fisso, quindi verificare l'interazione del gruppo da parte di predittori significativi.
    > g4 , lmer (RT , log(BaseFrequency 1) , Età , log (BaseFrequency 1) : Età , Gruppo , Log (BaseFrequency ) : Gruppo (1 ) Oggetto) (1) Elemento) (1) Prova), dati - dati)
  13. Per rimuovere l'influenza dei possibili outlier, escludere i punti dati con residui standardizzati assoluti superiori, ad esempio 2,5 deviazioni standard26, e riadattare il modello con i nuovi dati (yourdata2).
    > datiutente2 - dati utente [abs(scale(resid(g4))) < 2.5, ]
    > g5 , lmer (RT , log(BaseFrequency 1) , Età , log (BaseFrequency 1) : Età , Gruppo , Log (BaseFrequency ) : Gruppo (1 log (BaseFrequency) Oggetto) (1) Elemento) (1) Prova), dati - yourdata2)
    NOTA: non tutti i punti dati estremi sono dannosi per il modello, ma solo per quelli che hanno un'eccessiva leva sul modello.
  14. Nel caso dell'analisi esplorativa (guidata dai dati), utilizzare la regressione passo passo passo in avanti: includere tutte le variabili nell'analisi iniziale e quindi rimuovere le variabili non significative dal modello in modo passo-passo. In alternativa, utilizzare la procedura automatica di eliminazione dei predittori non significativi con la funzione step fornita dal pacchetto lmerTest29.
    > passo (g4)

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

La tabella 1 mostra un elenco di variabili ottenute da tre diverse origini (un corpus, un dizionario e test pilota degli elementi di test) che sono incluse nell'analisi come predittori a effetto fisso. Molte di queste variabili sono state precedentemente segnalate per influenzare la velocità di riconoscimento delle parole.

corpus:
Frequenza di base il numero di volte in cui una parola appare nel corpo in tutte le sue forme diverse (ad esempio, figlio e figli)
Frequenza Bigram il numero medio di volte in cui tutte le combinazioni di due lettere successive si verificano nel corpus
Dimensioni della famiglia morfologica il numero di parole derivate e composte che condividono un morfema con il sostantivi
Frequenza familiare morfologica la frequenza di base sommata di tutti i membri morfologici della famiglia
Dimensioni della famiglia pseudomorfologica include non solo i "veri" membri della famiglia morfologica, ma anche le parole che imitano i membri morfologici della famiglia nella loro forma ortografica, siano essi o meno veri morfemi, e quindi rappresentano la sovrapposizione ortografica ma non necessariamente semantica
Frequenza della famiglia pseudomorfologica la frequenza di base sommata di tutti i membri della famiglia pseudo-morfologica
Frequenza della superficie il numero di volte in cui una parola appare nel corpo esattamente nella stessa forma (ad es. figlio).
Frequenza trigramma il numero medio di volte in cui tutte le combinazioni di tre lettere successive si verificano nel corpus
vocabolario:
Distanza hamming di uno il numero di parole della stessa lunghezza, ma differisce solo in una singola lettera36
lunghezza il numero di lettere
Densità ortografica del quartiere il numero di parole con la stessa lunghezza ma che differisce solo nella lettera iniziale37,38
Test pilota: Sedici partecipanti hanno indicato su una scala di sei punti (da 0 a 5) le loro stime per ciascuna delle parole di destinazione sui seguenti parametri.
Come nome proprio la frequenza con cui la parola è vista come un nome proprio (ad esempio, come un nome di famiglia, come Baker)39
Concretezza la immediatezza con cui le parole si riferiscono a entità concrete40
Classificazione della familiarità come familiare la parola è
Immagine dell'immagine la facilità e la velocità con cui le parole suscitano immagini mentali40

Tabella 1. Le variabili incluse nell'analisi degli effetti misti come predittori a effetto fisso, ottenute da tre diverse fonti (un corpus, un dizionario e test pilota di elementi di prova).

Il numero di variabili esplicative può essere più piccolo o più grande a seconda delle domande di ricerca e della disponibilità delle variabili da database, dizionari o corpora. Tuttavia, includendo un gran numero di caratteristiche lessicali come predittori potrebbe portare a complicazioni sotto forma di collinearità tra predittori, quando i predittori sono correlati tra loro e quindi esercitano effetti simili sulla misura del risultato. Ad esempio, la concretezza e l'immagine delle parole possono essere altamente correlate. Un presupposto in qualsiasi analisi di regressione lineare è che le variabili predittive sono indipendenti l'una dall'altra. Tuttavia, man mano che vengono aggiunte più variabili al modello, aumenta il rischio che alcune variabili non siano indipendenti l'una dall'altra. Maggiore è la correlazione tra le variabili, più dannosa può essere questa collinearità per il modello41. Una potenziale conseguenza della collinearità è che il livello di significatività di alcuni predittori può essere spurio.

Per evitare l'effetto della collinearità tra i predittori, è necessario ridurre il numero di predittori. Se due predittori mostrano la collinearità, solo uno di essi deve essere incluso nel modello. Tuttavia, se più di due predittori mostrassero collinearità, escludendo tutti tranne uno comporterebbe una perdita di varianza. Da un lato, un ricercatore potrebbe ridurre il numero di variabili esplicative già presenti nella progettazione sperimentale a priori,lasciando solo quelle che sono guidate da ipotesi (teoricamente motivate) e che permettono al ricercatore di testare ipotesi tra diverse popolazioni. D'altra parte, a volte non esiste una teoria esistente, e quindi, è ragionevole utilizzare Principal Component Analysis (PCA)41 per ridurre il numero di predittori combinando predittori che hanno effetti simili in componenti. In questa analisi, lo spazio predittivo è stato ortogonale e i componenti principali del nuovo spazio sono stati utilizzati come predittori (seguendo i passaggi descritti qui41 a pagine 118-126). Uno svantaggio dell'utilizzo di PCA è che a volte i componenti rendono difficile districare gli effetti di più predittori; potrebbero emergere tutti con carichi forti sullo stesso componente principale.

Abbiamo trasformato tutti i predittori lessicali in cinque componenti principali per esaminare come la velocità di riconoscimento delle parole potrebbe essere diversa per gli adulti più giovani e gli adulti più anziani. Tuttavia, solo due di essi erano significativinei dati dei giovani adulti (tabella 3): PC1 e PC4. Tre componenti principali (PC) erano predittori significativi nel modello per i controlli anziani (tabella4), MCI (Tabella5) e individui con AD (tabella 6).

PC2 (in modo
Bigram freq. -0,390
Distanza hamming di uno -0,350
Freq trigramma finale. -0,330
Densità di quartiere -0,320
lunghezza -0,226
Freq trigramma iniziale. -0,224
Dimensioni pseudo-famiglia (finale) -0,124
Pseudo-famiglia freq.(finale) -0,052
Freq. Familiare (composti) -0,042
Dimensioni della famiglia (composti) -0,039
Freq. Per la famiglia (parole derivate) -0,036
Dimensioni famiglia (parole derivate) -0,034
Freq di superficie. -0,023
Freq di base. -0,008
Dimensioni pseudo-famiglia (iniziale) 0,070 (in via 0,070)
Classificazione della familiarità 0.093 (in via del documento)
Come nome proprio 0.102 (in tissuma in stato di inade
Pseudo-famiglia freq. (iniziale) 0.113 (in ti1.13)
Concretezza 0.275 (in questo 05)
Immagine dell'immagine 0.296 (in inglese)
Dimensioni pseudo-famiglia (interno) 0.296 (in inglese)
Pseudo-famiglia freq. (interno) 0.316

Tabella 2. Matrice di rotazione per PC2. I carichi sono il grado in cui ogni variabile contribuisce al componente. Questa tabella è stata modificata con il permesso di Cortex3.

Tabella 2 presenta le variabili lessicali con i loro carichi su PC2. I carichi positivi più forti di PC2 erano le dimensioni pseudo-famiglia e la frequenza di sovrapposizione nella posizione interna. I carichi negativi più forti erano la frequenza bigram, la distanza di Hamming di una, la frequenza finale del trigrammo e la densità ortografica del quartiere. Poiché tutte queste variabili sono principalmente basate sulla forma piuttosto che sul significato, PC2 viene interpretato come riflettente l'influenza degli aspetti basati sulla forma di una parola sulla velocità di riconoscimento delle parole.

La tabella 3 mostra i risultati dell'analisi degli effetti misti per i giovani adulti (31 partecipanti). Poiché il PC2 non era un predittore significativo dei tempi di risposta dei giovani adulti (cfr. tabella3), ciò sembra indicare che queste variabili basate su moduli hanno meno influenza sui tempi di reazione dei giovani adulti rispetto agli adulti più anziani, compresi quelli con AD o MCI .

Effetti fissi valutazione Std.Error (Errore Std.) t-valore p-valore
(Intercetta) -1.31 0,05 (in via di sin. -26.36 <0.001
Allomorfi -0,034 0,015 (in via 0,015) -2,3 0,024 (in linguaggio da 20>:
PC1 (in modo non instato -0,021 0.004 (in questo 04) -5.179 <0.001
PC4 (in questo stato in stato -0,042 0,008 (in vie talloni di clam -5.224 <0.001
Effetti casuali
Gruppi nome varianza Std.Dev. Corr
articolo (Intercetta) 0.009 (in titola del sistema) 0,095 (in questo 09)
Oggetto (Intercetta) 0,032 (in linguaggio 332) 0.179
PC1 (in modo non instato 4.765e-05 0.007 (in questo 07) 0,08 (in vie tall on.
Residuo 0,005 (in questo da 20>) 0.235 (in tis.235)
Numero di obs. 2862; Articolo, 99; Oggetto, 31

Tabella 3. Coefficienti stimati, errori standard e valori t e p per i modelli misti montati sulle latenze di risposta suscitate per parole reali per i giovani adulti. Questa tabella è stata modificata con il permesso di Cortex3.

La stima di una variabile a effetto fisso può essere interpretata come la quantità in base alla quale la variabile dipendente (RT) aumenta o diminuisce se il valore di questo effetto fisso cambia. Se la stima è negativa, significa che la variabile è correlata negativamente con i tempi di reazione (più alta è la variabile, più piccoli (più veloce) i tempi di reazione). Il valore t deve essere in genere minore di -2 o maggiore di 2 affinché il predittore sia significativo.

La tabella 4, la tabella 5e la tabella 6 mostrano i risultati dell'analisi degli effetti misti per i controlli sugli anziani (17 partecipanti), le persone con MCI (24 partecipanti) e le persone con AD (21 partecipanti).

È emersa un'interessante differenza tra i tre gruppi anziani: l'istruzione prevedeva in modo significativo la velocità del riconoscimento delle parole nei controlli degli anziani (tabella4; la stima per l'istruzione è negativa, il che significa che più anni di istruzione sono stati con tempi di reazione più rapidi) e individui con MCI (Tabella 5), ma non in individui con AD (Tabella 6; L'istruzione è stata abbandonata dal modello poiché non era un predittore significativo), anche se non c'era alcuna differenza evidente nella variabilità degli anni di istruzione tra questi gruppi (AD: media 10,8 anni, SD 4.2, gamma 5-19; MCI: media 10,4 anni, SD 3,5, gamma 6-17; controlli anziani: media 13,7 anni, SD 3,7, gamma 8-20).

Effetti fissi valutazione Std.Error (Errore Std.) t-valore p-valore
(Intercetta) -0,72 0.157 -4.574 <0.001
Allomorfi -0,022 0,01 -2,14 0,035 (in linguaggio 0,035)
PC1 (in modo non instato -0,011 0.003 (invisa 303 -4.122 (in questo 122) <0.001
PC2 (in modo -0,011 0,005 (in questo da 20>) -2.223 (in questo 223) 0,029 (in linguaggio 0,029)
PC4 (in questo stato in stato -0,02 0.006 (in inglese) -3.687 <0.001
istruzione -0,024 0,011 (in via 0,011) -2.237 (in somma 237) 0,041 (in linguaggio da 20>:
Effetti casuali
Gruppi nome varianza Std.Dev.
articolo (Intercetta) 0.003 (invisa 303 0,057 (in linguaggio da 20>:
Oggetto (Intercetta) 0,026 (in inglese) 0.16
Residuo 0,033 (in linguaggio da 20>: 0.181
Numero di obs. 1595; Articolo, 99; Oggetto, 17

Tabella 4. Coefficienti stimati, errori standard e valori t e p per i modelli misti montati sulle latenze di risposta suscitate per parole reali per i controlli anziani. Questa tabella è stata modificata con il permesso di Cortex3.

Effetti fissi valutazione Std.Error (Errore Std.) t-valore p-valore
(Intercetta) -0,562 0.114 -4.922 (in linguaggio<2)essere un'infaunma <0.001
PC1 (in modo non instato -0,009 0.003 (invisa 303 -3.218 0.002 (in 3:0)
PC2 (in modo -0,013 0,005 (in questo da 20>) -2.643 (in inglese) 0,01
PC4 (in questo stato in stato -0,018 0.006 (in inglese) -3.078 0.003 (invisa 303
istruzione -0,039 0,01 -3.708 0.001 (intito)
Effetti casuali
Gruppi nome varianza Std.Dev.
articolo (Intercetta) 0.003 (invisa 303 0,056
Oggetto (Intercetta) 0,03 (in vi estati) 0.174
Residuo 0.061 (in inglese) 0.248 (in questo 248)
Numero di obs. 2227; Articolo, 99; Oggetto, 24

Tabella 5. Coefficienti stimati, errori standard e valori t e p per i modelli misti montati alle latenze di risposta suscitate per parole reali per gli individui con MCI. Questa tabella è stata modificata con il permesso di Cortex3.

Effetti fissi valutazione Std.Error (Errore Std.) t-valore p-valore
(Intercetta) -0,876 0,051 (in linguaggio da 20>: -17.017 (in questo 03/0) (in questo modo) <0.001
Allomorfi -0,018 0.009 (in titola del sistema) -2.008 0,048 (in via 0)NET 24).048
PC1 (in modo non instato -0,011 0.003 (invisa 303 -4.097 <0.001
PC2 (in modo -0,011 0.004 (in questo 04) -2.718 0,008 (in vie talloni di clam
PC4 (in questo stato in stato -0,018 0,005 (in questo da 20>) -3.751 (in questo da 251) <0.001
Effetti casuali
Gruppi nome varianza Std.Dev. Corr
processo (Intercetta) 0.001 (intito) 0,034 (in linguaggio da 20>:
articolo (Intercetta) 0.002 (in 3:0) 0,049 (in questo 09).
Oggetto (Intercetta) 0,045 (in via 0,045) 0.212 (in questo 0200)
PC1 (in modo non instato 4.138e-05 0.006 (in inglese) 0,83 (in questo da fwlinka che)
Residuo 0,026 (in inglese) 0.162 (in inglese)
Numero di obs. 1879; Articolo, 99; Oggetto, 21

Tabella 6. Coefficienti stimati, errori standard e valori t e p per i modelli misti montati alle latenze di risposta suscitate per parole reali per gli individui con AD. Questa tabella è stata modificata con il permesso di Cortex3.

Lo studio qui riportato ha affrontato un'ulteriore domanda: se il numero di allocazioni staminali associate a una parola influenza la velocità del riconoscimento delle parole42,43. Gli allomorfi stemsono sono diverse forme di una parola come stelo in vari contesti linguistici. Ad esempio, in inglese, il piede ha due allomorfi stelo, piede e piedi. In altre parole, la parola stelo cambia a seconda che sia nella forma singolare o plurale. Lo studio descritto qui ha testato i parlanti del finlandese, una lingua che ha un po 'più di complessità nei suoi cambiamenti di gambo rispetto all'inglese. Le parole con maggiore allomorfia dello stelo (cioè parole con più modifiche ai loro gambi) hanno suscitato tempi di reazione più rapidi in tutti i gruppi (Tabella3, Tabella 4e Tabella 6; le stime per il numero di allomorfi erano negative, il che significa che il più alto è il numero di allomorfi di una parola, più veloceè i tempi di reazione che ha suscitato) tranne il gruppo MCI (Tabella 5; il numero di allomorfiche non era un predittore significativo e quindi è stato abbandonato dal modello).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Utilizzando un semplice compito linguistico che non richiede la produzione linguistica, il presente studio ha studiato l'impatto di varie variabili lessicali sul riconoscimento delle parole negli adulti più giovani e anziani neurologicamente sani, nonché nelle persone con malattia di Alzheimer o Mild Cognitive Impairment. La fascia di età utilizzata per reclutare "adulti più anziani" potrebbe dipendere dagli interessi di ricerca specifici; tuttavia, la gamma per il gruppo di anziani sani dovrebbe corrispondere il più possibile alla fascia di età e alla distribuzione per le persone con MCI o AD reclutate per lo stesso studio.

Per evitare la collinearità tra i predittori, le variabili lessicali sono state ortogonalizzate in componenti principali e aggiunte ai modelli a effetti misti, dove i tempi di reazione fungevano da variabile dipendente. La combinazione di un semplice esperimento decisionale lessicale e di un'analisi di regressione a effetti misti ha portato alla scoperta di nuove difficoltà linguistiche per i pazienti con AD, non solo amodifiche al sistema semantico, ma anche a una maggiore dipendenza sulla forma di parola. È interessante notare che, un modello simile è stato trovato per le persone con lieve danno cognitivo e anziani cognitivamente sani. Ciò suggerisce che una maggiore dipendenza dagli aspetti basati sui moduli dell'elaborazione linguistica potrebbe essere parte di un cambiamento comune legato all'età nel riconoscimento delle parole scritte.

In una progettazione fattoriale, i ricercatori tradizionalmente creano due o più insiemi di parole che differiscono a seconda della variabile di interesse e quindi abbinano questi insiemi di parole su una serie di altre caratteristiche lessicali che possono influenzare la velocità di elaborazione. L'ipotesi è che qualsiasi differenza comportamentale ottenuta tra questi due insiemi di parole debba essere attribuita alla variabile manipolata (cioè senza eguali). Un problema con questo tipo di progettazione è che è molto difficile trovare la corrispondenza di set di parole su più di alcune variabili. Un altro problema è che ci potrebbero essere alcune variabili potenzialmente significative che i set di parole non sono stati abbinati o non potevano essere abbinati per una serie di motivi. Inoltre, il design fattoriale tratta i fenomeni continui come se fossero fattori dicotomi. L'uso di modelli a effetti misti per l'analisi statistica dei dati comportamentali permette al ricercatore di includere variabili lessicali potenzialmente importanti come variabili esplicative senza la necessità di abbinare parole o elenchi di parole in base a queste variabili. In un modello di effetti misti le variabili Oggetto (codice partecipante/numero), Articolo (stimoli sperimentali) e Prova (numero di prova) vengono aggiunte come effetti casuali. Le intercettazioni casuali sono state incluse perché si presume che i soggetti varino nei loro tempi di reazione complessivi (cioè, alcuni partecipanti sono naturalmente più lenti o più veloci su tutta la linea)

Questa metodologia può essere applicata ad altri tipi di domande e ad altre popolazioni, ad esempio, multilingue o individui con afasia. Per il primo gruppo, l'elaborazione linguistica può differire dai monolingui, quindi questa variabile dovrebbe essere presa in considerazione se l'assunzione di una popolazione di lingue miste, limitando il reclutamento a un solo tipo di gruppo o confrontando i risultati in un secondo momento per determinare se background linguistico influenzato i risultati.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori non hanno nulla da rivelare.

Acknowledgments

Ringraziamo Minna Lehtonen, Tuomo H'nninen, Merja Hallikainen e Hilkka Soininen per il loro contributo alla raccolta e all'elaborazione dei dati riportati qui. La raccolta dei dati è stata supportata da VPH Dementia Research, abilitata dall'ACCORDO di sovvenzione n. 601055 dell'UE.

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

Comportamento Numero 148 Riconoscimento delle parole Decisione lessicale Psicolinguistica Invecchiamento Demenza Morbo di Alzheimer Lieve disturbo cognitivo modelli di effetti misti Analisi dei componenti principali
Compito decisionale lessicale per studiare il riconoscimento delle parole scritte negli adulti con e senza demenza o lieve danno cognitivo
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