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

Zadanie decyzji leksykalnej służy do pomiaru szybkości rozpoznawania słów. Zadanie to może ujawnić cechy leksykonu mentalnego i to, jak leksykon zmienia się wraz z wiekiem i zaburzeniami neurodegeneracyjnymi. Wiele zadań językowych wymaga koordynacji języka i innych aspektów poznania.

Zadanie decyzyjne leksykalne nie opiera się w dużym stopniu na innych zdolnościach poznawczych, które mogą być zagrożone w niektórych populacjach, takich jak pacjenci z demencją. W zademonstrowaniu procedury pomoże Dalia Garcia, kierownik naszego laboratorium. Umieść uczestnika przed monitorem komputera w odległości oglądania około 80 centymetrów w normalnie oświetlonym pomieszczeniu.

Jak ci się jechało? To było dobre. Naciśnij lewy przycisk, jeśli słowo jest prawdziwym słowem.

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. Rozpocznij eksperyment od sesji ćwiczeniowej, która obejmuje niewielką liczbę prób z jednym słowem przedstawionym poziomo w każdej próbie, nadając kąt widzenia około pięciu stopni. Podziel eksperyment na bloki i rób krótkie przerwy po sesji treningowej oraz między blokami, aby umożliwić uczestnikom odpoczynek dla oczu i zmniejszyć zmęczenie.

Następnie rozpocznij każdy nowy blok od kilku elementów wypełniających rzeczowników pospolitych, takich jak pies, siostra lub rok, które nie zostaną uwzględnione w analizie. Przedstaw przedmioty w losowej kolejności. Rozpocznij każdą próbę eksperymentalną od znaku fiksacji pojawiającego się na środku ekranu na 500 milisekund, a następnie pustego ekranu na kolejne 500 milisekund.

Natychmiast po pustym ekranie prezentuj ciąg literowy przez 1 500 milisekund lub do momentu, gdy uczestnik odpowie. Na koniec, po udzieleniu odpowiedzi, ponownie obserwuj pusty ekran, aż minie 3 000 milisekund od rozpoczęcia próby. Zacznij od otwarcia pliku wyjściowego programu prezentacyjnego i uzyskaj czas reakcji, mierzony w milisekundach, dla każdej próby.

Importowanie danych do języka R za pomocą np. funkcji read. table. Zainstaluj pakiety lme4 i lmerTest.

Dołącz pakiety z biblioteką funkcji lub wymagaj. Sprawdź potrzebę transformacji za pomocą funkcji boxcoxa, ponieważ rozkład danych czasu reakcji jest zwykle bardzo zniekształcony. Przekształć wartości czasu reakcji za pomocą odwróconych przekształconych czasów reakcji lub binarnych logarytmów czasów reakcji, ponieważ te transformacje mają tendencję do dostarczania bardziej normalnych rozkładów czasów reakcji w leksykalnych eksperymentach decyzyjnych niż surowych wartości czasu reakcji.

Następnie wyklucz próby pseudosłów i wypełniaczy, a także nieprawidłowe odpowiedzi i pominięcia. Wyklucz badania, w których czas odpowiedzi był krótszy niż 300 milisekund, ponieważ zazwyczaj wskazują one, że uczestnik zbyt późno zareagował na poprzedni bodziec. Następnie zbuduj podstawowy liniowy model efektów mieszanych, który identyfikuje czasy reakcji jako miarę wyniku, a przedmiot i próbę jako efekty losowe.

Dodaj efekty losowe, aby oszacować losowe przechwycenia dla każdego z efektów losowych. Dodaj zmienne objaśniające w teoretycznie umotywowanej kolejności. Na przykład dodaj częstotliwość opartą na słowach jako stały efekt.

Wstaw zmienne, takie jak częstotliwość podstawowa lub powierzchniowa, do modelu z transformacją, która skutkuje bardziej gaussowskim kształtem rozkładu. Sprawdź za pomocą funkcji anova, czy dodanie każdego predyktora znacząco poprawiło moc predykcyjną modelu w porównaniu z modelem bez predyktora. Jeśli nie ma znaczącej różnicy w dopasowaniu nowego modelu w porównaniu z prostszym modelem, wybierz najprostszy model z mniejszą liczbą predyktorów.

Następnie sprawdź kryterium informacyjne Akaike dla każdego modelu za pomocą funkcji AIC. Niższe wartości wskazują na lepsze dopasowanie do danych. Następnie sprawdź teoretycznie umotywowane interakcje między predyktorami.

Na przykład dodaj termin interakcji, logarytm podstawowej częstotliwości według wieku. Następnie dodaj losowe nachylenia dla predyktorów według uczestników, dodając jeden plus przed nazwą zmiennej, następnie pionową kreskę, a następnie temat, ponieważ na czas reakcji uczestników mogą mieć wpływ ich indywidualne cechy lub cechy leksykalne słów na różne sposoby. Przeprowadź analizę dla każdej grupy uczestników osobno lub przeprowadź analizę na wszystkich danych z grupą jako predyktorem efektu stałego, a następnie przetestuj interakcję grupy za pomocą istotnych predyktorów.

Aby usunąć wpływ ewentualnych wartości odstających, należy wykluczyć punkty danych z bezwzględnymi standaryzowanymi resztami przekraczającymi 2,5 odchylenia standardowego i ponownie wyposażyć model w nowe dane. Wreszcie, w przypadku eksploracyjnej analizy opartej na danych, użyj wstecznej regresji krokowej. Uwzględnij wszystkie zmienne w analizie początkowej, a następnie krok po kroku usuń zmienne nieistotne z modelu.

Wyniki te wskazują, jak szybkość rozpoznawania słów może się różnić u młodszych i starszych dorosłych. Tylko dwa główne składniki, PC1 i PC4, były istotne u młodych dorosłych. Trzy komponenty były istotnymi predyktorami w modelach dla osób w podeszłym wieku, osób z łagodnymi zaburzeniami poznawczymi i osób z chorobą Alzheimera.

Ten trzeci komponent, PC2, jest interpretowany jako odzwierciedlenie wpływu aspektów słowa opartych na formie na szybkość rozpoznawania słów. Co więcej, pojawiła się jedna interesująca różnica między trzema grupami osób starszych. Edukacja istotnie przewidziała szybkość rozpoznawania słów u osób starszych i osób z łagodnymi zaburzeniami poznawczymi, ale nie u osób z chorobą Alzheimera.

Metodologia ta może być stosowana do innych typów pytań dotyczących leksykonu mentalnego oraz do innych populacji, takich jak osoby wielojęzyczne i osoby z afazją.