Name: Leksykalne zadanie decyzyjne do badania rozpoznawania słów pisanych u dorosłych z demencją lub łagodnymi zaburzeniami poznawczymi i bez nich (Wideo) | JoVE Journal
Uploaded: 2019-06-25T14:30:00.000+00:00
Duration: 6 min 48 s
Description: Poznaj zadanie decyzyjne do badania rozpoznawania słów pisanych u osób zdrowych i z demencją. Metoda wykorzystuje analizę PCA i modele mieszane do oceny czasów reakcji w badaniach nad leksykonem mentalnym.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dziękujemy Minnie Lehtonen, Tuomo Hänninen, Merji Hallikainen i Hilkce Soininen za ich wkład w gromadzenie i przetwarzanie danych zgłoszonych tutaj. Gromadzenie danych było wspierane przez VPH Dementia Research, które umożliwiły UE w ramach umowy o grant nr 601055.

Protokół jest zgodny z wytycznymi Komisji Etyki Okręgu Szpitalnego Północnego Savo (IRB00006251).
1. Selekcja uczestników
<ol>
	<li>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.</li>
	<li>W przypadku zdrowych grup kontrolnych wyklucz uczestników, którzy mają historię zaburzeń neurologicznych lub psychiatrycznych.</li>
	<li>Do grup klinicznych rekrutuj osoby, u których zdiagnozowano chorobę Alzheimera15 lub łagodne upośledzenie funkcji poznawczych16,17. 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.</li>
	<li>Zmierz nasilenie demencji, na przykład za pomocą Skali Oceny Otępienia Klinicznego<klasa sup = "xref">18 (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.</li>
</ol>
2. Budowa bodźca
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
</ol>
3. Projekt eksperymentalny
<ol>
	<li>Ułóż ciągi liter poziomo, pojedynczo, zmieniając kąt widzenia około 5°.</li>
	<li>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.</li>
	<li>Podziel eksperyment na bloki i rób krótkie przerwy po sesji treningowej i między blokami. Przerwy te pozwalają uczestnikom odpocząć oczom i zmniejszają zmęczenie.</li>
	<li>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.</li>
	<li>Zaprezentuj elementy eksperymentalne w losowej kolejności dla każdego uczestnika.</li>
	<li>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).</li>
	<li>Natychmiast po pustym ekranie przedstaw ciąg literowy (słowo lub pseudosłowo) przez 1,500 ms lub do momentu, gdy uczestnik odpowie.</li>
	<li>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.</li>
	<li>Powtarzaj tę sekwencję, aż wszystkie elementy eksperymentu zostaną zaprezentowane. 
	UWAGA: Czasy opóźnienia między bodźcami służą jako przykład. Ich zmiana może wpłynąć na wzorzec wyników.</li>
</ol>
4. Procedura eksperymentalna
<ol>
	<li>Umieść uczestnika przed monitorem komputera w odległości oglądania około 80 cm w normalnie oświetlonym pomieszczeniu.</li>
	<li>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.</li>
</ol>
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.
<ol>
	<li>Uzyskaj czas reakcji (RT) mierzony w milisekundach dla każdej próby z pliku wyjściowego programu do prezentacji (np. oprogramowania E-Studio).</li>
	<li>Zainstaluj pakiety lme428 i lmerTest29. Dołącz pakiety z biblioteką funkcji lub wymagaj.</li>
	<li>Zaimportuj dane do języka R, korzystając np. z funkcji read.table.</li>
	<li>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).
	<ol>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>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.
	<ol>
		<li>Wyklucz również odpowiedzi na pseudosłowa i wypełniacze, chyba że istnieją konkretne hipotezy na ich temat.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>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)</li>
	<li>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)</li>
	<li>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)
	<ol>
		<li>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)</li>
	</ol>
	</li>
	<li>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.</li>
	<li>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).</li>
	<li>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 współczynników33,34. W przypadku, gdy maksymalny model nie jest zbieżny (innymi słowy, pomyślnie obliczony), należy uprościć model33. Alternatywnie można zaimplementować bayesowskie wersje modelowania wielopoziomowego35.</li>
	<li>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)</li>
	<li>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.</li>
	<li>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)</li>
</ol>

<ol><li>Bybee, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((From+Usage+to+Grammar%3A+The+Mind%27s+Response+to+Repetition%5BTitle%5D)+AND+%22Language%22%5BJournal%5D)">From Usage to Grammar: The Mind's Response to Repetition.</a> Language. 82 (4), 711-733 (2006).</li>
<li>Oldfield, R. C., Wingfield, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Response+latencies+in+naming+objects%5BTitle%5D)+AND+%22The+Quarterly+Journal+of+Experimental+Psychology%22%5BJournal%5D)">Response latencies in naming objects.</a> The Quarterly Journal of Experimental Psychology. 17, 273-281 (1965).</li>
<li>Nikolaev, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+morphological+family+on+word+recognition+in+normal+aging%2C+mild+cognitive+impairment%2C+and+Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22Cortex%22%5BJournal%5D)">Effects of morphological family on word recognition in normal aging, mild cognitive impairment, and Alzheimer’s disease.</a> Cortex. 116, 91-103 (2019).</li>
<li>Milin, P., Feldman, L. B., Ramscar, M., Hendrix, P., Baayen, R. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Discrimination+in+lexical+decision%5BTitle%5D)+AND+%22PLoS+ONE%22%5BJournal%5D)">Discrimination in lexical decision.</a> PLoS ONE. 12 (2), 1-42 (2017).</li>
<li>Andrews, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Frequency+and+neighborhood+size+effects+on+lexical+access%3A+activation+or+search%3F%5BTitle%5D)+AND+%22Journal+of+Experimental+Psychology%3A+Learning%2C+Memory%2C+and+Cognition%22%5BJournal%5D)">Frequency and neighborhood size effects on lexical access: activation or search?</a> Journal of Experimental Psychology: Learning, Memory, and Cognition. 15, 802-814 (1989).</li>
<li>Grainger, J., Muneaux, M., Farioli, F., Ziegler, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+phonological+and+orthographic+neighbourhood+density+interact+in+visual+word+recognition%5BTitle%5D)+AND+%22The+Quarterly+Journal+of+Experimental+Psychology%22%5BJournal%5D)">Effects of phonological and orthographic neighbourhood density interact in visual word recognition.</a> The Quarterly Journal of Experimental Psychology. 58 (6), 981-998 (2005).</li>
<li>Ossher, L., Flegal, K. E., Lustig, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Everyday+memory+errors+in+older+adults%5BTitle%5D)+AND+%22Aging%2C+Neuropsychology%2C+and+Cognition%22%5BJournal%5D)">Everyday memory errors in older adults.</a> Aging, Neuropsychology, and Cognition. 20, 220-242 (2013).</li>
<li>Barresi, B. A., Nicholas, M., Connor, L. T., Obler, L. K., Albert, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Semantic+degradation+and+lexical+access+in+age-related+naming+failures%5BTitle%5D)+AND+%22Aging%2C+Neuropsychology%2C+and+Cognition%22%5BJournal%5D)">Semantic degradation and lexical access in age-related naming failures.</a> Aging, Neuropsychology, and Cognition. 7, 169-178 (2000).</li>
<li>Chertkow, H., Whatmough, C., Saumier, D., Duong, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cognitive+neuroscience+studies+of+semantic+memory+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Progress+in+Brain+Research%22%5BJournal%5D)">Cognitive neuroscience studies of semantic memory in Alzheimer's disease.</a> Progress in Brain Research. 169, 393-407 (2008).</li>
<li>Cuetos, F., Arce, N., Martínez, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Word+recognition+in+Alzheimers%E2%80%99s+disease%3A+Effects+of+semantic+degeneration%5BTitle%5D)+AND+%22Journal+of+Neuropsychology%22%5BJournal%5D)">Word recognition in Alzheimers’s disease: Effects of semantic degeneration.</a> Journal of Neuropsychology. 11, 26-39 (2015).</li>
<li>Stilwell, B. L., Dow, R. M., Lamers, C., Woods, R. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Language+changes+in+bilingual+individuals+with+Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22International+Journal+of+Language+%26+Communication+Disorders%22%5BJournal%5D)">Language changes in bilingual individuals with Alzheimer’s disease.</a> International Journal of Language & Communication Disorders. 51, 113-127 (2016).</li>
<li>Obler, L. K. Language and brain dysfunction in dementia. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aObler%2C+LK+%22Language+functions+and+brain+organization%22">Language functions and brain organization</a>. Segalowitz, S. , Academic Press. New York, NY. 267-282 (1983).</li>
<li>Obler, L. K., Albert, M. L. Language in the elderly aphasic and in the demented patient. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aObler%2C+LK+%22Acquired+aphasia%22">Acquired aphasia</a>. Sarno, M. T. , Academic Press. New York. 385-398 (1981).</li>
<li>Obler, L. K., Gjerlow, K. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aObler%2C+LK+%22Language+and+the+brain%22">Language and the brain</a>. , Cambridge University Press. Cambridge. (1999).</li>
<li>McKhann, G. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+diagnosis+of+dementia+due+to+Alzheimer%E2%80%99s+disease%3A+Recommendations+from+the+National+Institute+on+Aging+-+Alzheimer%E2%80%99s+Association+workgroups+on+diagnostic+guidelines+for+Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22Alzheimer%E2%80%99s+Dementia%22%5BJournal%5D)">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.</a> Alzheimer’s Dementia. 7, 263-269 (2011).</li>
<li>Winblad, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mild+cognitive+impairment+-+beyond+controversies%2C+towards+a+consensus%3A+Report+of+the+International+Working+Group+on+Mild+Cognitive+Impairment%5BTitle%5D)+AND+%22Journal+of+Internal+Medicine%22%5BJournal%5D)">Mild cognitive impairment - beyond controversies, towards a consensus: Report of the International Working Group on Mild Cognitive Impairment.</a> Journal of Internal Medicine. 256, 240-246 (2004).</li>
<li>Albert, M. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+diagnosis+of+mild+cognitive+impairment+due+to+Alzheimer%E2%80%99s+disease%3A+Recommendations+from+the+National+Institute+on+Aging+-+Alzheimer%E2%80%99s+Association+workgroups+on+diagnostic+guidelines+for+Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22Alzheimer%E2%80%99s+%26+Dementia%3A+The+Journal+of+the+Alzheimer%E2%80%99s+Association%22%5BJournal%5D)">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.</a> Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association. 7, 270-279 (2011).</li>
<li>Hughes, C. P., Berg, L., Danziger, W. L., Coben, L. A., Martin, R. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+clinical+scale+for+the+staging+of+dementia%5BTitle%5D)+AND+%22The+British+Journal+of+Psychiatry%22%5BJournal%5D)">A new clinical scale for the staging of dementia.</a> The British Journal of Psychiatry. 140, 566-572 (1982).</li>
<li>Baayen, R. H. Data Mining at the Intersection of Psychology and Linguistics. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBaayen%2C+RH+%22Twenty-first+century+psycholinguistics%3A+Four+cornerstones%22">Twenty-first century psycholinguistics: Four cornerstones</a>. Cutler, A. , Lawrence Erlbaum Associates Publishers. Mahwah, NJ, US. 69-83 (2005).</li>
<li>Brants, T., Franz, A. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBrants%2C+T+%22Web+1T+5-gram%2C+version+1%22">Web 1T 5-gram, version 1</a>. , Linguistic Data Consortium. Philadelphia. (2006).</li>
<li>Baayen, R. H., Piepenbrock, R., Gulikers, L. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBaayen%2C+RH+%22The+CELEX+lexical+database+%28CD-ROM%29%22">The CELEX lexical database (CD-ROM)</a>. , Linguistic Data Consortium. Philadelphia, PA. (1995).</li>
<li>Wagenmakers, E. J., Ratcliff, R., Gomez, P., McKoon, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+diffusion+model+account+of+criterion+shifts+in+the+lexical+decision+task%5BTitle%5D)+AND+%22Journal+of+Memory+and+Language%22%5BJournal%5D)">A diffusion model account of criterion shifts in the lexical decision task.</a> Journal of Memory and Language. 58, 140-159 (2008).</li>
<li>Dufau, S., Grainger, J., Ziegler, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+say+%E2%80%9Cno%E2%80%9D+to+a+non-word%3A+a+leaky+competing+accumulator+model+of+lexical+decision%5BTitle%5D)+AND+%22Journal+of+Experimental+Psychology%3A+Learning%2C+Memory%2C+and+Cognition%22%5BJournal%5D)">How to say “no” to a non-word: a leaky competing accumulator model of lexical decision.</a> Journal of Experimental Psychology: Learning, Memory, and Cognition. 38, 1117-1128 (2012).</li>
<li>R Core Team. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22R%3A+A+language+and+environment+for+statistical+computing%22">R: A language and environment for statistical computing</a>. , R Foundation for Statistical Computing. Vienna, Austria. (2018).</li>
<li>Venables, W. N., Ripley, B. D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVenables%2C+WN+%22Modern+applied+statistics+with+S%22">Modern applied statistics with S</a>. , 4th ed, Springer. New York, NY. (2002).</li>
<li>Baayen, R. H., Milin, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analyzing+reaction+times%5BTitle%5D)+AND+%22International+Journal+of+Psychological+Research%22%5BJournal%5D)">Analyzing reaction times.</a> International Journal of Psychological Research. 3 (2), 12-28 (2010).</li>
<li>Koller, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((robustlmm%3A+An+R+package+for+robust+estimation+of+linear+mixed-effects+models%5BTitle%5D)+AND+%22Journal+of+Statistical+Software%22%5BJournal%5D)">robustlmm: An R package for robust estimation of linear mixed-effects models.</a> Journal of Statistical Software. 75 (6), 1-24 (2016).</li>
<li>Bates, D., Mächler, M., Bolker, B., Walker, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fitting+Linear+Mixed-Effects+Models+Using+lme4%5BTitle%5D)+AND+%22Journal+of+Statistical+Software%22%5BJournal%5D)">Fitting Linear Mixed-Effects Models Using lme4.</a> Journal of Statistical Software. 67, 1-48 (2015).</li>
<li>Kuznetsova, A., Brockhoff, P. B., Christensen, R. H. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((lmerTest+Package%3A+Tests+in+Linear+Mixed+Effects+Models%5BTitle%5D)+AND+%22Journal+of+Statistical+Software%22%5BJournal%5D)">lmerTest Package: Tests in Linear Mixed Effects Models.</a> Journal of Statistical Software. 82, 1-26 (2017).</li>
<li>Akaike, H. Information theory and an extension of the maximum likelihood principle. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aAkaike%2C+H+%22Second+International+Symposium+on+Information+Theory%22">Second International Symposium on Information Theory</a>. Petrov, B. N., Csaki, B. F. , Academiai Kiado. Budapest. 267-281 (1973).</li>
<li>Sakamoto, Y., Ishiguro, M., Kitagawa, G. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSakamoto%2C+Y+%22Akaike+Information+Criterion+Statistics%22">Akaike Information Criterion Statistics</a>. , D. Reidel Publishing Company. (1986).</li>
<li>Barr, D. J., Levy, R., Scheepers, C., Tily, H. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Random+effects+structure+for+confirmatory+hypothesis+testing%3A+Keep+it+maximal%5BTitle%5D)+AND+%22Journal+of+Memory+and+Language%22%5BJournal%5D)">Random effects structure for confirmatory hypothesis testing: Keep it maximal.</a> Journal of Memory and Language. 68, 255-278 (2013).</li>
<li>Bates, D., Kliegl, R., Vasishth, S., Baayen, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Parsimonious+mixed+models%5BTitle%5D)+AND+%22arXiv%3A1506.04967v2%22%5BJournal%5D)">Parsimonious mixed models.</a> arXiv:1506.04967v2. , (2015).</li>
<li>Harrison, X. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brief+introduction+to+mixed+effects+modelling+and+multi-model+inference+in+ecology%5BTitle%5D)+AND+%22PeerJ%22%5BJournal%5D)">Brief introduction to mixed effects modelling and multi-model inference in ecology.</a> PeerJ. 6, 1-32 (2018).</li>
<li>Kimball, A. E., Shantz, K., Eager, C., Roy, C. E. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Confronting+quasi-separation+in+logistic+mixed+effects+for+linguistic+data%3A+a+Bayesian+approach%5BTitle%5D)+AND+%22Journal+of+Quantitative+Linguistics%22%5BJournal%5D)">Confronting quasi-separation in logistic mixed effects for linguistic data: a Bayesian approach.</a> Journal of Quantitative Linguistics. , (2018).</li>
<li>Coltheart, M., Davelaar, E., Jonasson, J. T., Besner, D. Access to the internal lexicon. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aColtheart%2C+M+%22Attention+and+performance%2C+vol.+VI%22">Attention and performance, vol. VI</a>. Dornick, S. , Hillsdale, New Jersey. Erlbaum. 535-556 (1977).</li>
<li>Caselli, N. K., Caselli, M. K., Cohen-Goldberg, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inflected+words+in+production%3A+Evidence+for+a+morphologically+rich+lexicon%5BTitle%5D)+AND+%22The+Quarterly+Journal+of+Experimental+Psychology%22%5BJournal%5D)">Inflected words in production: Evidence for a morphologically rich lexicon.</a> The Quarterly Journal of Experimental Psychology. 69, 432-454 (2016).</li>
<li>Yarkoni, T., Balota, D., Yap, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Moving+beyond+Coltheart%E2%80%99s+N%3A+A+new+measure+of+orthographic+similarity%5BTitle%5D)+AND+%22Psychonomic+Bulletin+%26+Review%22%5BJournal%5D)">Moving beyond Coltheart’s N: A new measure of orthographic similarity.</a> Psychonomic Bulletin & Review. 15 (5), 971-979 (2008).</li>
<li>Cohen, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recognition+and+retrieval+of+proper+names%3A+Age+differences+in+the+fan+effect%5BTitle%5D)+AND+%22European+Journal+of+Cognitive+Psychology%22%5BJournal%5D)">Recognition and retrieval of proper names: Age differences in the fan effect.</a> European Journal of Cognitive Psychology. 2 (3), 193-204 (1990).</li>
<li>Kemmerer, D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKemmerer%2C+D+%22Cognitive+neuroscience+of+language%22">Cognitive neuroscience of language</a>. , Psychology Press. New York. (2015).</li>
<li>Baayen, R. H. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBaayen%2C+RH+%22Analyzing+linguistic+data%3A+A+practical+introduction+to+statistics+using+R%22">Analyzing linguistic data: A practical introduction to statistics using R</a>. , Cambridge University Press. Cambridge. (2008).</li>
<li>Nikolaev, A., Lehtonen, M., Higby, E., Hyun, J., Ashaie, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+facilitatory+effect+of+rich+stem+allomorphy+but+not+inflectional+productivity+on+single-word+recognition%5BTitle%5D)+AND+%22Applied+Psycholinguistics%22%5BJournal%5D)">A facilitatory effect of rich stem allomorphy but not inflectional productivity on single-word recognition.</a> Applied Psycholinguistics. 39, 1221-1238 (2018).</li>
<li>Nikolaev, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Behavioural+and+ERP+effects+of+paradigm+complexity+on+visual+word+recognition%5BTitle%5D)+AND+%22Language%2C+Cognition+and+Neuroscience%22%5BJournal%5D)">Behavioural and ERP effects of paradigm complexity on visual word recognition.</a> Language, Cognition and Neuroscience. 10, 1295-1310 (2014).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

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...

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 zmienić3,4. 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 semantycznych9,10,11,12,13,14. 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.

<table><tbody><tr><td>Narzędzia</td><td>programowe E-Prime Psychology</td><td>w wersji 2.0.10.356.</td><td></td></tr><tr><td>Komputer z systemem Windows i klawiaturą</td><td></td><td></td><td></td></tr><tr><td>R</td><td>R Foundation for Statistical Computing</td><td>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/.</td><td></td></tr></tbody></table>

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

Lexical Decision Task for Studying Written Word Recognition in Adults with and without Dementia or Mild Cognitive Impairment

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.

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.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Corpus:</td>
			<td></td>
		</tr>
		<tr>
			<td>Częstotliwoś...

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.

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

Older adults are slower at recognizing visual objects than younger adults. The same is true for recognizing that a letter string is a real word. People ...

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.

lexical-decision-task-for-studying-written-word-recognition-adults

Research

JoVE Journal

Behavior

Zachowanie

Omówiono metodologię gromadzenia gęstych danych potencjałów wywołanych podczas wykonywania przez pacjentów z chorobą Alzheimera zadania z pamięcią rozpoznawczą. Protokół ten obejmuje przygotowanie badanych, zapewnienie jakości, akwizycję danych oraz analizę danych.

Badanie charakterystyki pamięci epizodycznej z wykorzystaniem potencjałów wywołanych zdarzeniami u pacjentów z chorobą Alzheimera

Badacze stosują zarówno zadanie decyzji leksykalnej, jak i zadanie nazywania, aby zbadać niektóre ważne tematy, takie jak rozpoznawanie znaków/słów, porównując efekt częstotliwości między tymi dwoma zadaniami. W tym artykule przedstawiono to podejście poprzez dwa przykładowe eksperymenty i omówiono logikę leżącą u jego podstaw.

Porównanie efektu częstości między decyzją leksykalną a zadaniami nazewnictwa w języku chińskim

Ten artykuł opisuje Test 4 Gór (4MT), zależny od hipokampa test działającej allocentrycznej pamięci przestrzennej. Hipokamp jest dotknięty chorobą na wczesnym etapie choroby Alzheimera (AD), a w tym artykule przedstawiono metodologię 4MT i wyniki badań pacjentów, które pokazują wartość 4MT w diagnostyce stanu przeddemencyjnego AD.

Test 4 Gór: Krótki test pamięci przestrzennej o wysokiej czułości do diagnozy choroby Alzheimera w stanie przeddemencyjnym

Tutaj prezentujemy zadanie Deese, Roediger and McDermott (DRM), narzędzie do badania fałszywych wspomnień w laboratorium. Badani studiują listy semantycznie powiązanych słów (e.g., nurse, sick, etc.), a następnie fałszywie pamiętają niezbadane słowo (doctor), które reprezentuje istotę lub temat listy słów.

Zadanie Deese-Roediger-McDermott (DRM): prosty paradygmat poznawczy do badania fałszywych wspomnień w laboratorium

Tutaj opisujemy protokół korzystania z przezczaszkowej stymulacji prądem stałym w eksperymentach psycho- i neurolingwistycznych mających na celu zbadanie, w naturalistyczny, ale w pełni kontrolowany sposób, roli obszarów korowych ludzkiego mózgu w uczeniu się słów oraz kompleksowy zestaw procedur behawioralnych do oceny wyników.

Przezczaszkowa stymulacja prądem stałym (tDCS) obszarów Wernickego i Broki w badaniach nad uczeniem się języków obcych i przyswajaniem słów

Tutaj prezentujemy protokół mający na celu pokazanie, jak negatywne stereotypy dotyczące starzenia się mogą pogorszyć wydajność pamięci osób starszych podczas testów poznawczych i jak zmniejszyć ten szkodliwy efekt. Metoda ta może pomóc osobom starszym w osiąganiu optymalnych wyników podczas testów zarówno w badaniach laboratoryjnych, jak i klinicznych.

Podkreślanie i zmniejszanie wpływu negatywnych stereotypów związanych ze starzeniem się podczas testów poznawczych osób starszych

Tutaj prezentujemy protokół do zbadania związanego z wiekiem spadku przetwarzania zdań za pomocą zadania labiryntu, które pozwoliło nam zlokalizować trudność przetwarzania przy każdym słowie zdania podczas czytania.

Eksperymentalny paradygmat pomiaru wpływu starzenia się na przetwarzanie zdań

Tutaj prezentujemy protokół do oceny, czy różne rodzaje cichych zmian naczyniowo-mózgowych są różnie związane z deficytami w pewnych domenach poznawczych w kohorcie 398 starszych Chińczyków z nadciśnieniem, używając kombinacji testów neuropsychologicznych i wielosekwencyjnego skanowania MRI 3T.

Ocena sprawności poznawczej pacjentów z nadciśnieniem tętniczym z cichymi zmianami naczyniowo-mózgowymi

Skale oceny klinicznej nie są wystarczająco wrażliwe na dysfunkcje poznawcze u wysoko funkcjonujących pacjentów po udarze. Paradygmat podwójnej pracy przedstawia zalety i potencjał w ocenie i treningu poznawczym dysfunkcji poznawczych. W badaniu zaproponowano paradygmat Stroopa o podwójnym zadaniu w celu identyfikacji dysfunkcji poznawczych u wysoko funkcjonujących pacjentów po udarze.

Paradygmat Stroopa o podwójnym zadaniu, wykrywający deficyty poznawcze u wysokofunkcjonujących pacjentów po udarze mózgu

Pokazujemy, jak obiektywna miara może być zastosowana w powszechnie stosowanym paradygmacie iluzji gumowej ręki. Miara ta jest uzyskiwana przez modyfikację dobrze ugruntowanego zadania kongruencji intermodalnej. Zadanie to pozwala na zbadanie procesów multisensorycznych, które są krytyczne dla modulacji reprezentacji ciała, jak w iluzji gumowej ręki.

Zadanie kongruencji intermodalnej jako sposób na uzyskanie obiektywnej miary behawioralnej w paradygmacie iluzji gumowej ręki

Poznaj zadanie decyzyjne do badania rozpoznawania słów pisanych u osób zdrowych i z demencją. Metoda wykorzystuje analizę PCA i modele mieszane do oceny czasów reakcji w badaniach nad leksykonem mentalnym.

Leksykalne zadanie decyzyjne do badania rozpoznawania słów pisanych u dorosłych z demencją lub łagodnymi zaburzeniami poznawczymi i bez nich (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów