Leksykalne zadanie decyzyjne do badania rozpoznawania słów pisanych u dorosłych z demencją lub łagodnymi zaburzeniami poznawczymi i bez nich

Podsumowanie

Ten artykuł opisuje, jak przeprowadzić prosty eksperyment decyzyjny leksykalny do oceny rozpoznawania słów pisanych u neurologicznie zdrowych uczestników oraz u osób z demencją i spadkiem funkcji poznawczych. Przedstawiamy również szczegółowy opis analizy czasu reakcji z wykorzystaniem analizy głównych składowych (PCA) i modelowania efektów mieszanych.

Streszczenie

Starsi dorośli są wolniejsi w rozpoznawaniu obiektów wizualnych niż młodsi dorośli. To samo dotyczy rozpoznania, że ciąg liter jest prawdziwym słowem. Osoby z chorobą Alzheimera (AD) lub łagodnymi zaburzeniami poznawczymi (MCI) wykazują jeszcze dłuższe odpowiedzi w rozpoznawaniu słów pisanych niż osoby w podeszłym wieku. Pomimo ogólnej tendencji do wolniejszego rozpoznawania w starzeniu się i zaburzeniach neuropoznawczych, pewne cechy słów wpływają na szybkość rozpoznawania słów niezależnie od wieku lub neuropatologii (np. częstotliwość użycia słowa). Przedstawiamy tutaj protokół badania wpływu cech leksykalnych na czas odpowiedzi na rozpoznawanie słów w prostym leksykalnym eksperymencie decyzyjnym przeprowadzonym wśród młodszych i starszych osób dorosłych oraz osób z MCI lub AD. W tym eksperymencie uczestnicy są proszeni o jak najszybsze i najdokładniejsze podjęcie decyzji, czy dany ciąg literowy jest rzeczywistym słowem, czy nie. Opisujemy również modele efektów mieszanych i analizę głównych składowych, które można wykorzystać do wykrycia wpływu różnych typów zmiennych leksykalnych lub indywidualnych cech uczestników na szybkość rozpoznawania słów.

Wprowadzenie

Słowa są przechowywane w mentalnym leksykonie w wysoce połączonej sieci. Powiązania między słowami mogą odzwierciedlać wspólne właściwości, takie jak podobieństwo semantyczne (np. pies i kot), podobieństwo formy (pies i mgła) lub częste współwystępowanie w użyciu języka potocznego (np. pies i smycz). Kognitywne teorie języka, takie jak teoria oparta na użyciu¹, twierdzą, że każde zetknięcie się ze słowem przez użytkownika języka ma wpływ na jego mentalną reprezentację. Zgodnie z teorią wzorców, reprezentacja słowa składa się z wielu wzorców, które są zbudowane z indywidualnych tokenów użycia języka i które reprezentują zmienność, która istnieje dla danej kategorii. Częstotliwość use² wpływa na reprezentacje w pamięci, przyczyniając się do siły exemplar¹.

Szybkość rozpoznawania słów może ujawnić cechy leksykonu mentalnego. Powszechnie stosowanym eksperymentalnym paradygmatem pomiaru szybkości rozpoznawania słów jest leksykalne zadanie decyzyjne. W tym zadaniu uczestnikom prezentowane są ciągi liter na monitorze, jeden po drugim. Są poinstruowani, aby jak najszybciej zdecydować, czy ciąg liter na ekranie jest prawdziwym słowem, czy nie, naciskając odpowiedni przycisk.

Badając czasy reakcji na prawdziwe słowa, badacze mogą odpowiedzieć na wiele ważnych pytań dotyczących przetwarzania języka. Na przykład określenie, które czynniki przyspieszają rozpoznawanie, może przetestować hipotezy dotyczące struktury leksykonu mentalnego i ujawnić jego architekturę. Co więcej, porównania wyników w różnych grupach uczestników mogą pomóc nam zrozumieć wpływ różnych rodzajów doświadczeń językowych lub, w przypadku starzenia się lub chorób neurodegeneracyjnych (np. choroby Alzheimera), rolę pogorszenia funkcji poznawczych.

Niektóre czynniki (np. częstotliwość użycia) wykazują większy wpływ na rozpoznawanie słów niż inne czynniki (np. długość słowa). Wraz z wiekiem sposób, w jaki ludzie rozpoznają pisane słowa, może się zmienić^3,4. Młodsi dorośli mają tendencję do dużego polegania na semantycznych (opartych na znaczeniu) aspektach słowa, takich jak liczba związków (np. buldog) lub słów pochodnych (np. Doggy) wspólnych aspektów zarówno formy, jak i znaczenia ze słowem docelowym (w tym przypadku pies). Wydaje się, że na rozpoznawanie słów u osób starszych większy wpływ mają aspekty oparte na formie, takie jak częstotliwość, z jaką dwie kolejne litery występują współwystępujące w języku (np. kombinacja liter st występuje częściej w słowach angielskich niż kombinacja sk).

Aby określić czynniki, które wpływają na szybkość rozpoznawania słów w różnych grupach, badacz może manipulować pewnymi zmiennymi w zestawie bodźców, a następnie przetestować moc tych zmiennych, aby przewidzieć szybkość rozpoznawania słów. Na przykład, aby sprawdzić, czy rozpoznawanie słów jest sterowane przez czynniki semantyczne czy oparte na formie, zestaw bodźców powinien zawierać zmienne, które odzwierciedlają stopień połączenia słowa z jego semantycznymi sąsiadami w leksykonie mentalnym lub jego łączność z innymi słowami, które dzielą część jego formy.

Ta metoda została użyta w obecnym badaniu, aby zbadać, czy na szybkość rozpoznawania słów wpływają różne czynniki u młodszych i starszych dorosłych oraz u osób z chorobą Alzheimera (AD) lub łagodnymi zaburzeniami poznawczymi (MCI)³. Opisana tutaj metoda opiera się na wizualnym rozpoznawaniu słów, ale może być dostosowana do modalności słuchowej. Jednak niektóre zmienne, które są istotnymi predyktorami czasu reakcji w typowym wizualnym eksperymencie leksykalnym dotyczącym decyzji, mogą nie przewidywać opóźnień odpowiedzi w dźwiękowej decyzji leksykalnej lub mogą mieć odwrotny skutek. Na przykład sąsiedztwo fonologiczne ma odwrotny efekt w tych dwóch modalnościach⁵: słowa z większymi sąsiedztwami fonologicznymi wykazują efekt ułatwiający wizualne rozpoznawanie słów, ale powodują dłuższe opóźnienia odpowiedzi w słuchowej decyzji leksykalnej⁶.

Trudności ze znalezieniem słów u osób starszych⁷ są zazwyczaj przypisywane trudnościom w dostępie do fonologicznej formy słowa, a nie podziałowi reprezentacji semantycznej⁸. Jednak badania AD koncentrowały się przede wszystkim na spadkach semantycznych^{9,10,11,12,13,14}. Ważne jest, aby rozwikłać, w jaki sposób czynniki semantyczne i ortograficzne wpływają na rozpoznawanie słów pisanych w starzeniu się ze spadkiem funkcji poznawczych i bez niego. Wpływ czynników związanych z kształtem jest bardziej wyraźny u osób starszych niż u młodszych dorosłych i pozostaje istotny u osób z MCI lub AD³. W związku z tym metodologia ta może pomóc nam odkryć cechy leksykonu psychicznego w różnych populacjach i zidentyfikować zmiany w organizacji leksykonu wraz z wiekiem i neuropatologią. Jedną z obaw związanych z badaniem pacjentów z neuropatologią jest to, że mogą oni mieć trudności z dostępem do wiedzy związanej z zadaniami. Jednak leksykalne zadanie decyzyjne jest prostym zadaniem, które nie obciąża pamięci roboczej ani innych złożonych umiejętności poznawczych, z którymi wielu pacjentów ma problemy. Uznano, że jest on odpowiedni dla populacji z AD i MCI.

Protokół

Protokół jest zgodny z wytycznymi Komisji Etyki Okręgu Szpitalnego Północnego Savo (IRB00006251).

1. Selekcja uczestników

1. Rekrutacja młodszych i starszych osób dorosłych, które mają normalne lub skorygowane do normalnego widzenie i są rodzimymi użytkownikami badanego języka, chyba że badanie dotyczy konkretnych pytań badawczych dotyczących przyswajania drugiego języka.
2. W przypadku zdrowych grup kontrolnych wyklucz uczestników, którzy mają historię zaburzeń neurologicznych lub psychiatrycznych.
3. Do grup klinicznych rekrutuj osoby, u których zdiagnozowano chorobę Alzheimera¹⁵ lub łagodne upośledzenie funkcji poznawczych^16,17. Rekrutuj tylko osoby, które są w stanie wyrazić świadomą zgodę, zgodnie z oceną lekarza. Aby uzyskać dokładne porównania, dopasuj przedział wiekowy i średnią grup klinicznych do zdrowych starszych uczestników.
4. Zmierz nasilenie demencji, na przykład za pomocą Skali Oceny Otępienia Klinicznego18 (CDR, 0 = brak demencji, 0,5 = bardzo łagodna, 1 = łagodna, 2 = umiarkowana, 3 = ciężka). Wyklucz pacjentów z ciężką demencją, ponieważ zadanie może być dla nich zbyt trudne. Nie uwzględniaj uczestników, którzy wydają się niezdolni do wykonania instrukcji, pomimo ich oceny dotkliwości.

2. Budowa bodźca

1. Wybierz bodźce słowne, aby odpowiedzieć na konkretne pytania badawcze, na przykład, czy zmienne semantyczne lub ortograficzne/fonologiczne mają silniejszy wpływ na rozpoznawanie słów¹⁹ w różnych populacjach.
2. Oblicz z corpus²⁰ lub pobierz z bazy danych²¹ zmiennych odzwierciedlających semantyczne, fonologiczne i ortograficzne cechy bodźców, aby można je było wykorzystać jako teoretycznie umotywowane predyktory wyjaśniające czasy reakcji rozpoznawania słów lub jako zmienne kontrolne. Użyj również płci, wieku i lat edukacji uczestników jako zmiennych objaśniających lub kontrolnych.
3. Oprócz prawdziwych słów zbuduj zestaw dopasowanych pseudosłów. Pseudosłowa przypominają prawdziwe słowa w tym, że są zgodne z normami języka dotyczącymi umieszczania pewnych liter w określonych pozycjach słów (fonotaktyka). Aby kontrolować fonotaktykę, twórz pseudo-słowa, na przykład poprzez losowe ponowne łączenie pierwszych sylab z niektórych słów z drugimi sylabami z innych słów. Usuń wszystkie elementy, które przypadkiem wytworzyły prawdziwe słowo poprzez tę rekombinację oraz wszystkie elementy, które naruszają fonotaktykę języka.
4. Dopasuj pseudosłowa do słów docelowych pod względem długości słowa w literach i częstotliwości bigramu, czyli średniej liczby przypadków, w których wszystkie kombinacje dwóch kolejnych liter występują w korpusie tekstowym. Wykazano, że zmienne te wpływają na szybkość rozpoznawania.
   UWAGA: Manipulowanie proporcją pseudo-słów (np. liczba prawdziwych słów w stosunku do liczby pseudosłów) może prowadzić do różnych wyników, przy czym odpowiedzi na mniej prawdopodobne bodźce są wolniejsze i mniej dokładne²².
5. Dodaj zestaw wypełniaczy słów rzeczywistych, aby zmniejszyć oczekiwanie uczestnika na następny bodziec należący do określonego typu (np. określonej klasy fleksyjnej). Wybieraj je na przykład z innych kategorii słów (np. klas fleksyjnych) niż te, które służą do konstruowania bodźców zgodnie z interesującymi ich cechami.

3. Projekt eksperymentalny

1. Ułóż ciągi liter poziomo, pojedynczo, zmieniając kąt widzenia około 5°.
2. Rozpocznij eksperyment od sesji ćwiczeniowej, która obejmuje niewielką liczbę prób, z jednym słowem prezentowanym na próbę (np. 15 słów i 15 pseudosłów, które nie zostały uwzględnione w rzeczywistym eksperymencie). Ma to na celu zapoznanie uczestnika z zadaniem i przyciskami odpowiedzi. Jeśli uczestnik nie odpowiada dokładnie (przycisk "tak" dla prawdziwych słów i przycisk "nie" dla pseudosłów) podczas prób praktycznych, przekaż informację zwrotną i powtórz sesję ćwiczeniową.
3. Podziel eksperyment na bloki i rób krótkie przerwy po sesji treningowej i między blokami. Przerwy te pozwalają uczestnikom odpocząć oczom i zmniejszają zmęczenie.
4. Rozpocznij każdy nowy blok od kilku elementów wypełniających, które nie zostaną uwzględnione w analizie (np. rzeczowniki pospolite, takie jak pies, siostra, rok), ponieważ kilka pierwszych prób bloku jest czasami ignorowanych przez uczestników z MCI lub AD.
5. Zaprezentuj elementy eksperymentalne w losowej kolejności dla każdego uczestnika.
6. Rozpocznij każdą próbę od znaku fiksacji (np. znaku +) pojawiającego się na środku ekranu na 500 ms, a następnie pustego ekranu na stały (np. 500 ms) lub zmienny czas (np. 500-800 ms).
7. Natychmiast po pustym ekranie przedstaw ciąg literowy (słowo lub pseudosłowo) przez 1,500 ms lub do momentu, gdy uczestnik odpowie.
8. Po udzieleniu odpowiedzi lub po upływie 1500 ms od wystąpienia słowa (w zależności od tego, co nastąpi wcześniej), ponownie obserwuj pusty ekran, aż minie 3000 ms od rozpoczęcia próby.
9. Powtarzaj tę sekwencję, aż wszystkie elementy eksperymentu zostaną zaprezentowane.
   UWAGA: Czasy opóźnienia między bodźcami służą jako przykład. Ich zmiana może wpłynąć na wzorzec wyników.

4. Procedura eksperymentalna

1. Umieść uczestnika przed monitorem komputera w odległości oglądania około 80 cm w normalnie oświetlonym pomieszczeniu.
2. Poinstruuj uczestnika, aby jak najszybciej i jak najdokładniej zdecydował, czy ciąg liter na ekranie jest prawdziwym słowem, czy nie, naciskając jeden z dwóch odpowiednich przycisków dominującą ręką (np. palcem wskazującym w przypadku prawdziwych słów i środkowym w przypadku pseudosłów) lub używając palca wskazującego każdej ręki.
   UWAGA: Uczestnicy starają się zoptymalizować swoje wyniki zgodnie z instrukcjami. W związku z tym na ich odpowiedzi będzie miał wpływ nacisk na szybkość nad dokładność lub odwrotnie²³.

5. Analizowanie danych za pomocą modelu efektów mieszanych w R

UWAGA: Do przeprowadzenia analizy można użyć wielu różnych programów statystycznych. W tej sekcji opisano kroki analizowania danych w R²⁴.

1. Uzyskaj czas reakcji (RT) mierzony w milisekundach dla każdej próby z pliku wyjściowego programu do prezentacji (np. oprogramowania E-Studio).
2. Zainstaluj pakiety lme4²⁸ i lmerTest²⁹. Dołącz pakiety z biblioteką funkcji lub wymagaj.
3. Zaimportuj dane do języka R, korzystając np. z funkcji read.table.
4. Sprawdź potrzebę transformacji, np. za pomocą funkcji boxcox z pakietu MASS ²⁵, ponieważ rozkład danych RT jest zwykle bardzo skośny.
   Biblioteka > (MASS)
   >> boxcox(RT ~ Expnanatory_variable, dane = twoje/twojedane)
   UWAGA: Wykres utworzony przez funkcję boxcox pokazuje 95% przedział ufności dla parametru transformacji boxcox. W zależności od wartości lambda znajdujących się w tym przedziale można wybrać potrzebną transformację, np. λ=−1 (transformacja odwrotna), λ=0 (transformacja logarytmiczna), λ=1/2 (transformacja pierwiastka kwadratowego) i λ=1/3 (transformacja pierwiastka sześciennego).
   1. Przekształć wartości RT za pomocą odwróconych przekształconych RT (np. -1000/RT) lub logarytmów binarnych RT (np. log2(RT)), ponieważ te transformacje mają tendencję do dostarczania bardziej normalnych rozkładów dla czasów reakcji w leksykalnych eksperymentach decyzyjnych niż surowe RTs²⁶.
   2. Alternatywnie, można użyć metod statystycznych, które nie opierają się na rozkładach normalnych i pasują do solidnych liniowych modeli efektów mieszanych oraz dostarczają szacunków dotyczących tego, które wartości odstające lub inne źródła zanieczyszczenia mają niewielki wpływ²⁷.
5. Ponieważ analizy czasu reakcji są zwykle przeprowadzane na podstawie dokładnych odpowiedzi, należy wykluczyć badania, w których odpowiedź uczestników była nieprawidłowa (odpowiedź "nie" na prawdziwe słowa), a także pominięcia.
   1. Wyklucz również odpowiedzi na pseudosłowa i wypełniacze, chyba że istnieją konkretne hipotezy na ich temat.
   2. Wyklucz próby, w których czas reakcji jest krótszy niż 300 ms, ponieważ zazwyczaj wskazują one, że uczestnik zbyt późno zareagował na poprzedni bodziec lub że przypadkowo nacisnął przycisk odpowiedzi przed odczytaniem bodźca.
6. Zbuduj podstawowy liniowy model efektów mieszanych, który identyfikuje RT jako miarę wyniku, a Przedmiot, Przedmiot i Próbę jako efekty losowe. Należy zauważyć, że zmienne, których wartości są losowo próbkowane z większego zestawu (populacji) wartości, są uwzględniane jako efekty losowe i zmienne o małej liczbie poziomów lub dla których wszystkie poziomy są uwzględnione w danych są efektami stałymi. Dodaj losowe efekty w formularzu (1 | Temat) w celu oszacowania losowych przechwyceń dla każdego z efektów losowych.
   > g1 = lmer (RT ~ (1 | Temat) + (1 | Pozycja) + (1 | Trial), data = twoje_dane)
   > podsumowanie (G1)
7. Dodaj zmienne objaśniające w teoretycznie umotywowanej kolejności. Na przykład dodaj podstawową częstotliwość słów jako stały efekt. Niektóre zmienne, takie jak częstotliwość podstawowa lub powierzchniowa, mają rozkłady Zipfa, więc wstaw je do modelu z transformacją, która daje bardziej gaussowski kształt rozkładu, np. transformacja logarytmiczna.
   > g2 = lmer (RT ~ log(CzęstotliwośćPodstawowa + 1) + (1 | Temat) + (1 | Pozycja) + (1 | Trial), data = twoje_dane)
   > podsumowanie (G2)
8. Sprawdź za pomocą funkcji Anova, czy dodanie każdego predyktora (np. BaseFrequency) znacznie poprawiło moc predykcyjną modelu w porównaniu z modelem bez predyktora.
   > anova (g1, g2)
   1. Jeśli nie ma znaczącej różnicy w dopasowaniu nowego modelu w porównaniu z prostszym modelem, preferuj najprostszy model z mniejszą liczbą predyktorów. Sprawdź również kryterium informacyjne Akaike (AIC)³⁰ każdego modelu. AIC jest miarą tego, jak dobrze modele statystyczne pasują do zestawu danych zgodnie z maksymalnym prawdopodobieństwem. Niższe wartości wskazują na lepsze dopasowanie do data³¹.
      > AIC (g1); AIC (g2)
9. Powtórz kroki 5.7 i 5.8, dodając inne zmienne objaśniające, np. niektóre z tych, które przedstawiono w tabeli 1, jedna po drugiej w teoretycznie umotywowanej kolejności i zachowując tylko te, które znacznie poprawiają moc predykcyjną modelu. Jeśli zastosowano asynchroniczność początku bodźca zmiennego, należy uwzględnić ją jako zmienną o stałym efekcie w modelu.
10. Sprawdź teoretycznie umotywowane interakcje między predyktorami. Na przykład dodaj wyraz interakcji, logarytm częstotliwości bazowej według wieku.
    > g3 = lmer (RT ~ log(CzęstotliwośćPodstawowa + 1) + Wiek + log(CzęstotliwośćPodstawowa + 1) : Wiek + (1 | Temat) + (1 | Pozycja) + (1 | Wersja próbna), dane = twoje_dane)
    UWAGA: Możliwe jest, że predyktor jest istotny jako składnik interakcji z inną zmienną, ale nie jest istotny jako główny predyktor. W takim przypadku nie należy usuwać tego predyktora z modelu (należy go również uwzględnić jako efekt główny).
11. Dodaj losowe nachylenia według uczestnika³² dla predyktorów, dodając "1 +" przed nazwą zmiennej, a następnie "| Temat", np. (1 + log(CzęstotliwośćPodstawowa + 1) | Temat), ponieważ na czas odpowiedzi uczestników mogą mieć różny wpływ cechy leksykalne słów.
    UWAGA: Jeśli istnieje wiele predyktorów ciągłych, pozwolenie na to, aby wszystkie miały losowe nachylenia, jest nierealistyczne, ponieważ modele losowego nachylenia wymagają dużych ilości danych do dokładnego oszacowania wariancji i współczynników^33,34. W przypadku, gdy maksymalny model nie jest zbieżny (innymi słowy, pomyślnie obliczony), należy uprościć model³³. Alternatywnie można zaimplementować bayesowskie wersje modelowania wielopoziomowego³⁵.
12. Przeprowadź analizę dla każdej grupy uczestników osobno. Alternatywnie można przeprowadzić analizę wszystkich danych, z grupą jako predyktorem efektu stałego, a następnie przetestować interakcję grupy według istotnych predyktorów.
    > g4 = lmer (RT ~ log(CzęstotliwośćPodstawowa + 1) + Wiek + log(CzęstotliwośćPodstawowa + 1) : Wiek + Grupa + log(CzęstotliwośćPodstawowa + 1) : Grupa + (1 + log(CzęstotliwośćPodstawowa + 1) | Temat) + (1 | Pozycja) + (1 | Wersja próbna), dane = twoje/twoje)
13. Aby usunąć wpływ ewentualnych wartości odstających, należy wykluczyć punkty danych z bezwzględnymi standaryzowanymi resztami przekraczającymi np. 2,5 odchylenia standardowego²⁶, i ponownie dopasować model do nowych danych (yourdata2).
    > twojedane2 = twojedane: [abs(scale(resid(g4))) < 2.5, ]
    > g5 = lmer (RT ~ log(CzęstotliwośćPodstawowa + 1) + Wiek + log(CzęstotliwośćBazowa + 1) : Wiek + Grupa + log(CzęstotliwośćPodstawowa + 1) : Grupa + (1 + log(CzęstotliwośćPodstawowa +1) | Temat) + (1 | Pozycja) + (1 | Wersja próbna), dane = twoje_dane2)
    UWAGA: Nie wszystkie ekstremalne punkty danych są szkodliwe dla modelu – tylko te, które mają nadmierną dźwignię nad modelem.
14. W przypadku analizy eksploracyjnej (opartej na danych) należy zastosować regresję krokową wstecz: uwzględnij wszystkie zmienne w analizie początkowej, a następnie krok po kroku usuń zmienne nieistotne z modelu. Alternatywnie, można skorzystać z automatycznej procedury eliminowania nieistotnych predyktorów za pomocą funkcji krokowej dostępnej w pakiecie lmerTest²⁹.
    > kroku (G4)

Wyniki

Tabela 1 pokazuje listę zmiennych, które zostały uzyskane z trzech różnych źródeł (korpusu, słownika i pilotażowego testowania elementów testowych), które są uwzględnione w analizie jako predyktory o stałym efekcie. Wiele z tych zmiennych zostało wcześniej zgłoszonych, że wpływają na szybkość rozpoznawania słów.

Corpus:
Częstotliwoś...

Dyskusja

Wykorzystując proste zadanie językowe, które nie wymaga produkcji językowej, w niniejszym badaniu zbadano wpływ różnych zmiennych leksykalnych na rozpoznawanie słów u neurologicznie zdrowych młodszych i starszych dorosłych, a także u osób z chorobą Alzheimera lub łagodnymi zaburzeniami poznawczymi. Przedział wiekowy wykorzystywany do rekrutacji "osób starszych" może zależeć od konkretnych zainteresowań badawczych; jednak zakres dla zdrowej grupy osób w podeszłym wieku powinien być jak najbardziej zbliżony do przedziału w...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Narzędzia	programowe E-Prime Psychology	w wersji 2.0.10.356.
Komputer z systemem Windows i klawiaturą
R	R Foundation for Statistical Computing	R Core Team (2018). R: Język i środowisko do obliczeń statystycznych. R Foundation for Statistical Computing, Wiedeń, Austria. Adres URL https://www.R-project.org/.