Methodenartikel

Lexicale beslissings taak voor het bestuderen van geschreven woordherkenning bij volwassenen met en zonder dementie of milde cognitieve stoornissen

DOI:

10.3791/59753

⸱

25 juni 2019

 ,  ,  , 
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

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit artikel beschrijft hoe een eenvoudige lexicale besluit experiment te implementeren om geschreven Woordherkenning in neurologisch gezonde deelnemers en bij personen met dementie en cognitieve achteruitgang te beoordelen. We bieden ook een gedetailleerde beschrijving van de reactietijd analyse met behulp van Principal Components Analysis (PCA) en mixed-Effects modellering.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De oudere volwassenen zijn langzamer bij het erkennen van visuele voorwerpen dan jongere volwassenen. Hetzelfde geldt voor de erkenning dat een letter string is een echt woord. Mensen met de ziekte van Alzheimer (AD) of milde cognitieve stoornissen (MCI) tonen nog meer reacties in geschreven woord erkenning dan ouderen controles. Ondanks de algemene tendens naar langzamere erkenning in het verouderen en neurocognitive wanorde, beïnvloeden bepaalde kenmerken van woorden de snelheid van de woord erkenning ongeacht leeftijd of Neuropathologie (b.v., de frequentie van een woord van gebruik). We presenteren hier een protocol voor de behandeling van de invloed van de lexicale kenmerken op de woordherkenning responstijden in een eenvoudige lexicale besluit experiment toegediend aan jongere en oudere volwassenen en mensen met MCI of AD. In dit experiment, worden de deelnemers gevraagd om zo snel en nauwkeurig mogelijk te beslissen of een bepaalde letter string is een daadwerkelijk woord of niet. We beschrijven ook Mixed-Effects modellen en de belangrijkste componentenanalyse die kunnen worden gebruikt om de invloed van verschillende soorten lexicale variabelen of individuele kenmerken van de deelnemers op de woordherkenning snelheid te detecteren.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Woorden worden opgeslagen in het mentale lexicon in een zeer onderling verbonden netwerk. De verbindingen tussen woorden kunnen gemeenschappelijke eigenschappen, zoals semantische gelijkenis (b.v., hond en kat), vorm gelijkenis (hond en mist), of frequente mede-voorkomen in gemeenschappelijk taalgebruik (b.v., hond en leiband). Cognitieve theorieën van taal, zoals gebruik-gebaseerde theorie1, betogen dat elke ontmoeting van een woord door een taalgebruiker een effect op de mentale representatie van het woord heeft. Volgens de voorbeeld theorie bestaat de representatie van een woord uit vele exemplaren, die zijn opgebouwd uit individuele tokens van taalgebruik en die de variabiliteit vertegenwoordigen die voor een bepaalde categorie bestaat. De frequentie van het gebruik2 effecten representaties in het geheugen door bij te dragen aan de sterkte van een exemplar1.

De de herkennings snelheid van Word kan de kenmerken van het geestelijke Lexicon openbaren. Een algemeen gebruikt experimenteel paradigma voor het meten van de snelheid van woordherkenning is de lexicale beslissings taak. In deze taak worden deelnemers gepresenteerd met letter strings op een monitor, een voor een. Ze zijn geïnstrueerd om zo snel mogelijk te beslissen of de letter string op het scherm is een echt woord of niet door op de overeenkomstige knop.

Door reactietijden voor echte woorden te onderzoeken, kunnen onderzoekers een aantal belangrijke vragen over taalverwerking aanpakken. Bijvoorbeeld, het identificeren van welke factoren maken erkenning sneller kan hypothesen te testen over de structuur van de mentale lexicon en onthullen de architectuur. Bovendien kunnen vergelijkingen van de prestaties in verschillende groepen deelnemers ons helpen inzicht te krijgen in de invloed van verschillende soorten taal ervaring, of, in het geval van veroudering of neurodegeneratieve ziekten (bijvoorbeeld de ziekte van Alzheimer), de rol van cognitieve Daling.

Sommige factoren (bijvoorbeeld de frequentie van het gebruik) vertonen een grotere invloed op de woordherkenning dan andere factoren (bijv. woordlengte). Met de voortschrijdende leeftijd, de manier waarop mensen herkennen geschreven woorden kunnen veranderen3,4. Jongere volwassenen hebben de neiging om sterk te vertrouwen op semantische (betekenis-gebaseerde) aspecten van een woord, zoals hoeveel verbindingen (bijv. Bulldog) of afgeleide woorden (bijv. Doggy) delen aspecten van zowel de vorm en betekenis met het doel woord (in dit geval, hond). Woordherkenning voor oudere volwassenen lijkt meer te worden beïnvloed door vorm-gebaseerde aspecten, zoals de frequentie die twee volgende letters co-voorkomen in de taal (bijv. de letter combinatie St komt vaker voor in het Engels woorden dan de combinatie SK).

Om de factoren te bepalen die de woord erkennings snelheid over verschillende groepen beïnvloeden, kan de onderzoeker bepaalde variabelen in de stimulus reeks manipuleren en dan de macht van deze variabelen testen om de snelheid van de woord erkenning te voorspellen. Bijvoorbeeld, om te testen of de woordherkenning door semantische of op vorm gebaseerde factoren wordt gedreven, zou de stimulus reeks variabelen moeten omvatten die de graad van connectiviteit van een woord aan zijn semantische buren in het geestelijke Lexicon of zijn connectiviteit aan andere woorden weerspiegelen die deel van zijn vormdelen.

Deze methode werd gebruikt in de huidige studie om te onderzoeken of woordherkenning snelheid wordt beïnvloed door verschillende factoren bij jongere en oudere volwassenen en bij personen met de ziekte van Alzheimer (AD) of milde cognitieve stoornissen (MCI)3. De hier beschreven methode is gebaseerd op visuele woordherkenning, maar kan aangepast worden aan de auditieve modaliteit. Nochtans, zouden sommige variabelen die significante voorspellers van reactietijden in een typisch visueel lexical besluit experiment zijn geen reactie latencies in een auditieve lexicale beslissing kunnen voorspellen of kunnen het tegenovergestelde effect hebben. Bijvoorbeeld, heeft de fonologie buurt het tegenovergestelde effect over deze twee modaliteiten5: de woorden met grotere fonologie buurten vertonen een facilitator effect op visuele woord erkenning maar resulteren in langere reactie latencies in auditieve lexicale beslissing6.

Woord-het vinden van moeilijkheden bij oudere volwassenen7 zijn over het algemeen toegeschreven aan moeilijkheden toegang tot de fonologie woordvorm in plaats van een uitsplitsing van de semantische representatie8. AD Research richt zich echter primair op semantische dalingen9,10,11,12,13,14. Het is belangrijk om te ontwarren hoe semantische en orthografische factoren de herkenning van geschreven woorden in veroudering met en zonder cognitieve achteruitgang beïnvloeden. De invloed van form-gerelateerde factoren is meer uitgesproken in oudere dan bij jongere volwassenen, en het blijft belangrijk bij mensen met MCI of AD3. Aldus, kan deze methodologie ons helpen kenmerken van het geestelijke lexicon over verschillende bevolking ontdekken en veranderingen in de organisatie van het Lexicon met leeftijd en Neuropathologie identificeren. Een zorg bij het testen van patiënten met Neuropathologie is dat ze problemen kunnen hebben toegang tot taak-gerelateerde kennis. Echter, de lexicale beslissing taak is een eenvoudige taak zonder last op het werkgeheugen of andere complexe cognitieve vaardigheden die veel patiënten vertonen problemen met. Het is geschikt geacht voor AD-en MCI populaties.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het protocol volgt de richtlijnen van de ethische commissie van het ziekenhuis district van Noord-Savo (IRB00006251).

1. deelnemers screening

  1. Werven jongere en oudere volwassenen die een normale of gecorrigeerd-naar-normale visie en zijn native speakers van de taal getest, tenzij de studie richt zich op specifieke onderzoeksvragen met betrekking tot tweede taalverwerving.
  2. Voor gezonde controlegroepen, uitsluiten deelnemers die een geschiedenis van neurologische of psychiatrische stoornissen.
  3. Voor de klinische groepen, werven individuen die zijn gediagnosticeerd met de ziekte van Alzheimer15 of milde cognitieve stoornis16,17. Werven alleen personen die in staat zijn om geïnformeerde toestemming te geven, volgens het arrest van de arts. Voor nauwkeurige vergelijkingen, overeenkomen met de leeftijd bereik en het gemiddelde van de klinische groepen met die van de gezonde oudere volwassen deelnemers.
  4. Meet de ernst van dementie, bijvoorbeeld met behulp van de klinische dementie rating schaal18 (CDR, 0 = geen dementie, 0,5 = zeer mild, 1 = mild, 2 = matig, 3 = ernstig). Uitsluiting van patiënten met ernstige dementie, omdat de taak kan te moeilijk zijn voor hen. Neem geen deelnemers die lijken niet in staat om instructies te volgen, ondanks hun ernst rating.

2. stimulus bouw

  1. Selecteer woord stimuli om specifieke onderzoeksvragen aan te pakken, bijvoorbeeld of semantische of orthografische/fonologie variabelen een sterkere invloed hebben op woordherkenning19 in verschillende populaties.
  2. Bereken uit een corpus20 of haal uit een database21 variabelen die de semantische, fonologie, en orthografische kenmerken van de stimuli, zodat ze kunnen worden gebruikt, hetzij als theoretisch gemotiveerde voorspellers verklaren woord de reactietijden van de erkenning of als controle variabelen. Gebruik ook het geslacht, de leeftijd en de jaren van het onderwijs van de deelnemers als verklarende of regel variabelen.
  3. In aanvulling op de echte woorden, het opbouwen van een set van matched pseudo-woorden. Pseudo-woorden lijken op echte woorden in dat ze voldoen aan de normen van de taal voor de plaatsing van bepaalde letters in bepaalde woord posities (phonotactics). Om voor phonotactics te controleren, creër pseudo-woorden, bijvoorbeeld, door de eerste lettergrepen van sommige woorden met de tweede lettergrepen van andere woorden willekeurig opnieuw te combineren. Verwijder alle items die zijn gebeurd om een echt woord te produceren door deze nieuwe combinatie en alle items die de phonotactics van de taal schenden.
  4. Overeenkomen met de pseudo-woorden met de doelwoorden in termen van het woordlengte in letters en bigram frequentie, dat is het gemiddelde aantal keren dat alle combinaties van twee daaropvolgende letters optreden in een tekstcorpus. Deze variabelen zijn getoond om de herkennings snelheid te beïnvloeden.
    Nota: het manipuleren van de pseudo-woord verhouding (b.v., het aantal echte woorden met betrekking tot het aantal pseudo-woorden) kan tot verschillende resultaten, met reacties op de minder waarschijnlijke stimuli leiden die langzamer en minder nauwkeurig zijn22.
  5. Voeg een set van Real-Word fillers om de deelnemer de verwachting van de volgende stimulus die behoren tot een bepaald type (bijv. een bepaalde verbuigings klasse) te verminderen. Kies hen, bijvoorbeeld, uit verschillende woord categorieën (bijv. verbuigingsklassen) dan die welke gebruikt worden om stimuli te construeren volgens de kenmerken van belang.

3. experimentele ontwerp

  1. Huidige letterteken reeksen horizontaal, een voor een, onderdoende een visuele hoek van ongeveer 5 °.
  2. Begin het experiment met een oefensessie met een klein aantal proeven, waarbij één woord per proef wordt gepresenteerd (bijvoorbeeld 15 woorden en 15 pseudo-woorden die niet in het feitelijke experiment zijn opgenomen). Dit is om de deelnemer vertrouwd te maken met de taak en de respons knoppen. Als de deelnemer niet reageert nauwkeurig (' ja ' knop voor echte woorden en ' nee ' knop voor pseudo-woorden) tijdens de Praktijkproeven, feedback geven en opnieuw de praktijk sessie.
  3. Verdeel het experiment in blokken en geef korte pauzes na de oefensessie en tussen de blokken. Deze pauzes kunnen deelnemers om hun ogen te rusten en zal vermoeidheid te verminderen.
  4. Begin elk nieuw blok met een paar vuller punten die niet in de analyse zullen worden omvat (b.v., gemeenschappelijke zelfstandige naamwoorden zoals hond, zuster, jaar) omdat de eerste weinig proeven van het blok soms door deelnemers met MCI of advertentie worden genegeerd.
  5. Presenteer de experimentele items in een willekeurige volgorde voor elke deelnemer.
  6. Begin elke proef met een fixatie teken (b.v., een + teken) verschijnend in het centrum van het scherm voor 500 Mej., gevolgd door een leeg scherm voor een vaste (b.v., 500 Mej.) of een veranderlijke hoeveelheid tijd (b.v., 500-800 Mej.).
  7. Onmiddellijk na het lege scherm, presenteren een letter string (woord of pseudo-woord) voor 1.500 MS of totdat de deelnemer reageert.
  8. Na een reactie is gemaakt of na 1.500 MS vanaf het begin van het woord (welke komt eerst), volg opnieuw met een leeg scherm tot 3000 MS is verstreken vanaf het begin van het proces.
  9. Herhaal deze volgorde totdat alle items in het experiment zijn gepresenteerd.
    Nota: de tijden voor de vertraging tussen de stimuli dienen als voorbeeld. Het veranderen van hen kan het patroon van resultaten beïnvloeden.

4. experimentele procedure

  1. Plaats de deelnemer voor een computer monitor op een uitkijk afstand van ongeveer 80 cm in een normaal verlichte ruimte.
  2. Instrueer de deelnemer om zo snel en nauwkeurig mogelijk te beslissen of de letter string op het scherm is een echt woord of niet door te drukken op een van de twee overeenkomstige knoppen met hun dominante hand (bijv. de wijsvinger voor echte woorden en de middelste vinger voor pseudo-woorden) of met behulp van de wijsvinger van elke hand.
    Opmerking: deelnemers proberen hun prestaties te optimaliseren in overeenstemming met de instructies. Zo zullen hun reacties worden beïnvloed door de nadruk op snelheid over nauwkeurigheid of vice versa23.

5. analyseren van gegevens met een mixed-Effects model in R

Opmerking: veel verschillende statistische Programma's kunnen worden gebruikt om de analyse uit te voeren. In deze sectie worden de stappen beschreven voor het analyseren van gegevens in R24.

  1. Verkrijg de reactietijd (RT) gemeten in milliseconden voor elke proef uit het output bestand van het presentatie programma (bijv. E-Studio software).
  2. Installeer de pakketten lme428 en lmerTest29. Voeg pakketten met de functie bibliotheek of vereisen.
  3. Importeer gegevens in R met behulp van bijvoorbeeld de functie Read. table .
  4. Controleer de behoefte aan transformatie, b.v., met de boxcox functie van het massa pakket25, aangezien de distributie van RT-gegevens typisch hoogst scheef is.
    > bibliotheek (massa)
    > boxcox (RT ~ Expnanatory_variable, data = yourdata)
    Opmerking: de grafiek die wordt geproduceerd door de functie boxcox toont een betrouwbaarheidsinterval van 95% voor de boxcox transformatieparameter. Afhankelijk van de Lambda-waarden die zich binnen dit interval bevinden, de noodzakelijke transformatie kan worden gekozen, b.v., λ = − 1 (omgekeerde transformatie), λ = 0 (logaritmische transformatie), λ = 1/2 (vierkante wortel transformatie), en λ = 1/3 (de wortel transformatie van de kubus).
    1. Transformeren van de RT waarden met behulp van omgekeerde getransformeerde RTs (bijv.,-1000/RT) of binaire logaritmen van RTs (bijv. LOG2 (RT)), aangezien deze transformaties hebben de neiging om meer normale-achtige distributies voor reactietijden in lexicale besluit experimenten dan rauwe RTs 26.
    2. Alternatief, gebruik maken van statistische methoden die niet afhankelijk zijn van normale distributies en passen robuuste lineaire Mixed-effect modellen en bieden schattingen waarop uitlopers of andere bronnen van besmetting hebben weinig invloed27.
  5. Aangezien de reactietijd analyses typisch worden uitgevoerd op nauwkeurige antwoorden, uitsluiten proeven waarin de respons van de deelnemers onjuist was (een reactie van "nee" op echte woorden), alsmede omissies.
    1. Ook uitsluiten reacties op pseudo-woorden en vulstoffen, tenzij er specifieke hypothesen over hen.
    2. Uitsluiten proeven met responstijden sneller dan 300 MS, omdat ze meestal aangeven dat de deelnemer was te laat te reageren op een eerdere stimulus of dat hij of zij per ongeluk drukte op de reactie knop voor het lezen van de stimulus.
  6. Bouw een fundamentele lineaire Mixed-Effects model dat RT identificeert als de uitkomstmaat regel en onderwerp, itemen Trial als willekeurige effecten. Merk op dat variabelen waarvan de waarden willekeurig worden bemonsterd uit een grotere set (populatie) van waarden worden opgenomen als willekeurige effecten en variabelen met een klein aantal niveaus of waarvoor alle niveaus zijn opgenomen in de gegevens zijn vaste effecten. Voeg de Random effecten in de vorm (1 | Onderwerp) om willekeurige intercepts schatten voor elk van de willekeurige effecten.
    > G1 = lmer (RT ~ (1 | Onderwerp) + (1 | Item) + (1 | Trial), data = yourdata)
    > Samenvatting (G1)
  7. Voeg verklarende variabelen in een theoretisch gemotiveerde orde toe. Bijvoorbeeld, voegwoorden ' basisfrequentie als een vast effect. Sommige variabelen, zoals basis-of oppervlakte frequentie, hebben Zipfian verdelingen, zodat ze in het model worden ingevoegd met een transformatie die resulteert in een meer Gaussische distributievorm, bijvoorbeeld logaritmische transformatie.
    > G2 = lmer (RT ~ log (BaseFrequency + 1) + (1 | Onderwerp) + (1 | Item) + (1 | Trial), data = yourdata)
    > Samenvatting (G2)
  8. Neem contact op met de ANOVA -functie als het toevoegen van elke voorspeller (bijvoorbeeld BaseFrequency) aanzienlijk verbeterd de voorspellende kracht van het model ten opzichte van een model zonder de voorspeller.
    > ANOVA (G1, G2)
    1. Als er geen significant verschil in de pasvorm van het nieuwe model over het eenvoudiger model, de voorkeur aan de eenvoudigste model met minder voorspellers. Controleer ook het Angela informatie criterium (AIC)30 van elk model. AIC is een maat voor hoe goed statistische modellen passen een set van gegevens op basis van maximale waarschijnlijkheid. De lagere waarden wijzen op een betere pasvorm voor gegevens31.
      > AIC (G1); AIC (G2)
  9. Herhaal stap 5,7. en 5,8. door toevoeging van andere verklarende variabelen, bijvoorbeeld, sommige van die worden gepresenteerd in tabel 1, een voor een in een theoretisch gemotiveerde volgorde en het houden van alleen die aanzienlijk verbeteren van de voorspellende kracht van het model. Als variabele stimulus begin asynchronie werd gebruikt, omvatten het als een Fixed-effect variabele in het model.
  10. Controleer op theoretisch gemotiveerde interacties tussen voorspellers. Bijvoorbeeld, voeg een term van interactie de log van de basisfrequentie naar leeftijd.
    > G3 = lmer (RT ~ log (BaseFrequency + 1) + leeftijd + log (BaseFrequency + 1): leeftijd + (1 | Onderwerp) + (1 | Item) + (1 | Trial), data = yourdata)
    Opmerking: het is mogelijk dat een voorspeller is significant als een term van interactie met een andere variabele, maar niet significant als de belangrijkste voorspeller. In dit geval, niet verwijderen van deze voorspeller uit het model (ook als het belangrijkste effect).
  11. Toevoegen door-deelnemer willekeurige hellingen32 voor voorspellers door het opnemen van "1 +" voor de variabele naam, dan "| Onderwerp ", bijvoorbeeld (1 + log(BaseFrequency + 1) | Onderwerp), omdat de responstijden van de deelnemers op verschillende manieren kunnen worden beïnvloed door de lexicale kenmerken van woorden.
    Opmerking: als er veel continue voorspellers, waardoor ze allemaal willekeurige hellingen hebben is onrealistisch omdat willekeurige helling modellen vereisen grote hoeveelheden gegevens nauwkeurig te schatten afwijkingen en covarianties33,34. In het geval dat het maximale model niet convergeren (met andere woorden, succesvol berekenen), Vereenvoudig het model33. U ook Bayesiaanse versies van multilevel Modeling35implementeren.
  12. Voer de analyse voor elke deelnemersgroep afzonderlijk uit. U ook een analyse uitvoeren op alle gegevens, met groep als een Fixed-effect-voorspeller, en vervolgens testen op een interactie van de groep door significante voorspellers.
    > G4 = lmer (RT ~ log (BaseFrequency + 1) + leeftijd + log (BaseFrequency + 1): leeftijd + groep + log (BaseFrequency + 1): groep + (1 + log (BaseFrequency + 1) | Onderwerp) + (1 | Item) + (1 | Trial), data = yourdata)
  13. Om de invloed van mogelijke uitlopers te verwijderen, sluit gegevenspunten met absolute gestandaardiseerde residuen uit die, b.v., 2,5 standaardafwijkingen26overschrijden, en re-pasvorm het model met de nieuwe gegevens (yourdata2).
    > yourdata2 = yourdata [ABS (schaal (resid (G4))) < 2,5,]
    > G5 = lmer (RT ~ log (BaseFrequency + 1) + leeftijd + log (BaseFrequency + 1): leeftijd + groep + log (BaseFrequency + 1): groep + (1 + log (BaseFrequency + 1) | Onderwerp) + (1 | Item) + (1 | Trial), data = yourdata2)
    Nota: niet zijn alle extreme gegevenspunten schadelijk voor het model-slechts die die bovenmatige hefboomwerking over het model hebben.
  14. In het geval van verkennende (data-gedreven) analyse, gebruik achteruit Stapsgewijze regressie: Neem alle variabelen in de initiële analyse en verwijder vervolgens niet-significante variabelen uit het model in een stap-voor-stap mode. U ook gebruik maken van de automatische procedure van het elimineren van niet-significante voorspellers met de stap functie die door het pakket lmerTest29.
    > stap (G4)

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tabel 1 toont een lijst van variabelen die zijn verkregen uit drie verschillende bronnen (een corpus, een woordenboek, en piloottesten van test items) die zijn opgenomen in de analyse als Fixed-effect voorspellers. Veel van deze variabelen zijn eerder gemeld om de snelheid van de woordherkenning te beïnvloeden.

<...
Corpus:
Basisfrequentie

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Door een eenvoudige taal taak te gebruiken die geen taalproductie vereist, onderzocht de huidige studie de invloed van diverse lexicale variabelen op woord erkenning in neurologisch gezonde jongere en oudere volwassenen, evenals bij mensen met de ziekte van Alzheimer of milde cognitieve stoornissen. De leeftijdsgroep die wordt gebruikt voor het werven van "oudere volwassenen" kan afhangen van de specifieke onderzoek belangen; Nochtans, zou het gamma voor de gezonde bejaarde groep zo dicht mogelijk moeten passen de leefti...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben niets te onthullen.

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wij danken Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen, en Hilkka Soininen voor hun bijdrage aan het verzamelen van gegevens en de verwerking hier gemeld. Het verzamelen van gegevens werd ondersteund door VPH dementie onderzoek ingeschakeld door de EU, subsidieovereenkomst nr. 601055.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
E-PrimePsychology Software Toolsversie 2.0.10.356.
PC met Windows en toetsenbord
RR Foundation for Statistical ComputingR Core Team (2018). R: Een taal en omgeving voor statistische computing. R Foundation for Statistical Computing, Wenen, Oostenrijk. URL https://www.R-project.org/.

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Woordherkenningssnelheidmixed effectsmodellenhoofdcomponentenanalysereactietijdgegevenscognitieve verouderingdementieonderzoekziekte van Alzheimerexperimenteel protocol

Gerelateerde artikelen