Artigo de método

Tarefa de decisão lexical para o estudo do reconhecimento de palavras escritas em adultos com e sem demência ou comprometimento cognitivo leve

DOI:

10.3791/59753

⸱

25 de junho de 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

Neste artigo

Resumo

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

Este artigo descreve como implementar um experimento de decisão lexical simples para avaliar o reconhecimento de palavras escritas em participantes neurologicamente saudáveis e em indivíduos com demência e declínio cognitivo. Também fornecemos uma descrição detalhada da análise do tempo de reação usando a análise de componentes principais (PCA) e a modelagem de efeitos mistos.

Resumo

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

Adultos mais velhos são mais lentos em reconhecer objetos visuais do que os adultos mais jovens. O mesmo é verdadeiro para reconhecer que uma seqüência de caracteres de letra é uma palavra real. Pessoas com doença de Alzheimer (AD) ou insuficiência cognitiva ligeira (MCI) demonstram respostas ainda mais longas em reconhecimento de palavras escritas do que os controles idosos. Apesar da tendência geral para o reconhecimento mais lento no envelhecimento e distúrbios neurocognitivos, certas características das palavras influenciam a velocidade de reconhecimento de palavra, independentemente da idade ou neuropatologia (por exemplo, a freqüência de uma palavra de uso). Nós apresentamos aqui um protocolo para examinar a influência de características lexical em tempos de resposta do reconhecimento de palavra em um experimento lexical simples da decisão administrado aos adultos mais novos e mais idosos e aos povos com MCI ou AD. Neste experimento, os participantes são solicitados a decidir o mais rápido e preciso possível se uma determinada seqüência de caracteres de letra é uma palavra real ou não. Também descrevemos modelos de efeitos mistos e análise de componentes principais que podem ser usados para detectar a influência de diferentes tipos de variáveis lexicais ou características individuais dos participantes na velocidade de reconhecimento de palavras.

Introdução

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

As palavras são armazenadas no léxico mental em uma rede altamente interconectada. As conexões entre as palavras podem refletir Propriedades compartilhadas, como similaridade semântica (por exemplo, cão e gato), semelhança de forma (cão e nevoeiro), ou frequente coocorrência no uso de linguagem comum (por exemplo, cão e trela). As teorias cognitivas da linguagem, como a teoria baseada no uso1, argumentam que cada encontro de uma palavra por um usuário de linguagem tem um efeito sobre a representação mental da palavra. De acordo com a teoria exemplar, a representação de uma palavra consiste em muitos exemplares, que são construídos a partir de tokens individuais de uso da linguagem e que representam a variabilidade que existe para uma determinada categoria. A frequência de uso2 impacta as representações na memória, contribuindo para a força de um exemplar1.

A velocidade de reconhecimento de palavras pode revelar as características do léxico mental. Um paradigma experimental comumente usado para medir a velocidade do reconhecimento de palavras é a tarefa de decisão lexical. Nesta tarefa, os participantes são apresentados com seqüências de caracteres de letra em um monitor, um de cada vez. Eles são instruídos a decidir o mais rapidamente possível se a seqüência de caracteres da letra na tela é uma palavra real ou não pressionando o botão correspondente.

Examinando os tempos de reação para palavras reais, os pesquisadores podem abordar uma série de questões importantes sobre o processamento de linguagem. Por exemplo, identificar quais fatores tornam o reconhecimento mais rápido pode testar hipóteses sobre a estrutura do léxico mental e revelar sua arquitetura. Além disso, comparações de desempenho em diferentes grupos de participantes podem ajudar-nos a compreender a influência de vários tipos de experiência linguística, ou, no caso de doenças de envelhecimento ou neurodegenerativas (por exemplo, a doença de Alzheimer), o papel do cognitivo Declínio.

Alguns fatores (por exemplo, a frequência de uso) exibem maior influência no reconhecimento de palavras do que outros fatores (por exemplo, comprimento da palavra). Com o avanço da idade, a maneira como as pessoas reconhecem palavras escritas pode mudar3,4. Os adultos mais jovens tendem a depender fortemente de aspectos semânticos (baseados em significado) de uma palavra, como quantos compostos (por exemplo, Bulldog) ou palavras derivadas (por exemplo, Doggy) compartilham aspectos de forma e significado com a palavra-alvo (neste caso, Dog). O reconhecimento de palavras para adultos mais velhos parece ser mais influenciado por aspectos baseados em formulários, como a frequência que duas letras subsequentes coocorrem na língua (por exemplo, a combinação de letra St ocorre mais frequentemente em palavras em inglês do que a combinação SK).

Para determinar os fatores que influenciam a velocidade de reconhecimento de palavras em diferentes grupos, o pesquisador pode manipular determinadas variáveis no conjunto de estímulos e, em seguida, testar o poder dessas variáveis para prever a velocidade de reconhecimento de palavras. Por exemplo, para testar se o reconhecimento de palavras é conduzido por fatores semânticos ou baseados em formulário, o conjunto de estímulos deve incluir variáveis que refletem o grau de conectividade de uma palavra a seus vizinhos semânticos no léxico mental ou sua conectividade com outras palavras que compartilham parte de sua forma.

Este método foi utilizado no estudo atual para investigar se a velocidade de reconhecimento de palavras é influenciada por diferentes fatores em adultos mais jovens e idosos e em indivíduos com doença de Alzheimer (AD) ou comprometimento cognitivo leve (MCI)3. O método descrito aqui é baseado no reconhecimento visual da palavra, mas pode ser adaptado à modalidade auditiva. No entanto, algumas variáveis que são preditoras significativas de tempos de reação em um experimento de decisão lexical Visual típica podem não prever latências de resposta em uma decisão lexical auditiva ou podem ter o efeito oposto. Por exemplo, o bairro fonológico tem o efeito oposto nessas duas modalidades5: as palavras com maiores bairros fonológicos exibem um efeito facilitador no reconhecimento da palavra Visual, mas resultam em latências de resposta mais longas em decisão lexical auditiva6.

Dificuldades de encontrar palavras em adultos mais velhos7 têm sido geralmente atribuídas à dificuldade de acessar a forma de palavra fonológica em vez de uma repartição da representação semântica8. No entanto, a pesquisa de anúncios se concentrou principalmente em declínios semânticos9,10,11,12,13,14. É importante separar como os fatores semânticos e ortográficos influenciam o reconhecimento de palavras escritas no envelhecimento com e sem declínio cognitivo. A influência dos fatores relacionados à forma é mais pronunciada em idosos do que em adultos mais jovens, e permanece significante em pessoas com MCI ou AD3. Assim, essa metodologia pode nos ajudar a descobrir as características do léxico mental em diferentes populações e identificar mudanças na organização do léxico com a idade e a neuropatologia. Uma preocupação ao testar pacientes com neuropatologia é que eles podem ter dificuldades para acessar o conhecimento relacionado à tarefa. Entretanto, a tarefa lexical da decisão é uma tarefa simples sem a carga na memória de trabalho ou em outras habilidades cognitivas complexas que muitos pacientes exibem problemas com. Foi considerado apropriado para populações de AD e de MCI.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

O protocolo segue as diretrizes do Comitê de ética do distrito hospitalar do norte do Savo (IRB00006251).

1. triagem participante

  1. Recrutar adultos mais jovens e idosos que têm visão normal ou corrigida para normal e são falantes nativos da língua testada, a menos que o estudo aborda questões específicas de pesquisa sobre a aquisição de segunda língua.
  2. Para grupos de controle saudáveis, exclua os participantes que têm um histórico de distúrbios neurológicos ou psiquiátricos.
  3. Para os grupos clínicos, recrutar indivíduos que foram diagnosticados com doença de Alzheimer15 ou comprometimento cognitivo leve16,17. Recrutar apenas indivíduos que são capazes de dar o consentimento informado, de acordo com o julgamento do médico. Para comparações precisas, combine a faixa etária e a média dos grupos clínicos com a dos participantes adultos mais velhos saudáveis.
  4. Medir a gravidade da demência, por exemplo, usando a escala de avaliação clínica de demência18 (CdR,0 = sem demência, 0,5 = muito leve, 1 = leve, 2 = moderada, 3 = grave). Exclua pacientes com demência severa porque a tarefa pode ser muito difícil para eles. Não inclua os participantes que parecem incapazes de seguir as instruções, apesar de sua classificação de gravidade.

2. construção do estímulo

  1. Selecione estímulos de palavras para abordar questões específicas de pesquisa, por exemplo, se as variáveis semânticas ou ortográficas/fonológicas têm uma influência mais forte no reconhecimento de palavras19 em diferentes populações.
  2. Calcule a partir de um corpus20 ou recupere de um banco de dados21 variáveis refletindo as características semânticas, fonológicas e ortográficas dos estímulos para que possam ser usadas como preditoras teoricamente motivadas explicando a palavra tempos de reação de reconhecimento ou como variáveis de controle. Além disso, use o sexo, a idade e os anos de escolaridade dos participantes como variáveis explicativas ou de controle.
  3. Além das palavras reais, construa um conjunto de pseudopalavras correspondentes. Pseudopalavras assemelham-se a palavras reais em que se conformarem com as normas da língua para a colocação de certas letras em determinadas posições da palavra (phonotactics). A fim controlar para phonotactics, críe pseudo-palavras, por exemplo, aleatoriamente recombinar as primeiras sílabas de algumas palavras com as segundas sílabas de outras palavras. Remova todos os itens que aconteceram para produzir uma palavra real através desta recombinação e todos os itens que violam o vocabulário da linguagem.
  4. Combine as pseudopalavras com as palavras-alvo em termos de comprimento da palavra em letras e frequência de bigram, que é o número médio de vezes que todas as combinações de duas letras subseqüentes ocorrem em um corpus de texto. Essas variáveis têm demonstrado influenciar a velocidade de reconhecimento.
    Nota: manipular a relação pseudo-palavra (por exemplo, o número de palavras reais em relação ao número de pseudopalavras) pode levar a resultados diferentes, com respostas para os estímulos menos prováveis sendo mais lenta e menos precisos22.
  5. Adicionar um conjunto de enchimentos de palavras reais, a fim de diminuir a expectativa do participante do próximo estímulo pertencente a um determinado tipo (por exemplo, uma determinada classe infleccional). Escolhê-los, por exemplo, de diferentes categorias de palavras (por exemplo, classes infleccionais) do que as usadas para construir estímulos de acordo com as características de interesse.

3. projeto experimental

  1. Apresente as cordas da letra horizontalmente, uma de cada vez, subtender um ângulo visual de aproximadamente 5 °.
  2. Inicie o experimento com uma sessão prática que inclua um pequeno número de tentativas, com uma palavra apresentada por teste (por exemplo, 15 palavras e 15 pseudopalavras não incluídas no experimento real). Isso é para familiarizar o participante com a tarefa e os botões de resposta. Se o participante não está respondendo com precisão (botão ' Sim ' para palavras reais e botão ' não ' para pseudopalavras) durante os testes de prática, forneça feedback e refazer a sessão de prática.
  3. Divida o experimento em blocos e dê pausas curtas após a sessão prática e entre os blocos. Essas quebras permitem que os participantes descansem seus olhos e reduzam a fadiga.
  4. Inicie cada novo bloco com alguns itens de preenchimento que não serão incluídos na análise (por exemplo, substantivos comuns, como cão, irmã, ano), porque as primeiras tentativas do bloco são por vezes IGNORADAS pelos participantes com MCI ou AD.
  5. Apresente os itens experimentais em ordem aleatória para cada participante.
  6. Comece cada teste com uma marca de fixação (por exemplo, um sinal +) aparecendo no centro da tela para 500 MS, seguido por uma tela em branco para um fixo (por exemplo, 500 MS) ou uma quantidade variável de tempo (por exemplo, 500-800 MS).
  7. Imediatamente após a tela em branco, apresente uma seqüência de caracteres de letra (palavra ou pseudo palavra) para 1.500 MS ou até que o participante responda.
  8. Depois de uma resposta é feita ou após 1.500 MS do início da palavra (o que vier primeiro), siga novamente com uma tela em branco até 3000 MS passou do início do julgamento.
  9. Repita essa sequência até que todos os itens do experimento tenham sido apresentados.
    Nota: os tempos para o atraso entre os estímulos servem como um exemplo. Alterá-los pode afetar o padrão de resultados.

4. procedimento experimental

  1. Coloque o participante na frente de um monitor de computador a uma distância de visualização de cerca de 80 cm em um quarto normalmente iluminado.
  2. Instrua o participante a decidir o mais rápido e preciso possível se a seqüência de caracteres da letra na tela é uma palavra real ou não pressionando um dos dois botões correspondentes com sua mão dominante (por exemplo, o dedo indicador para palavras reais e o dedo médio para pseudopalavras) ou usando o dedo indicador de cada mão.
    Observação: os participantes tentam otimizar seu desempenho de acordo com as instruções. Assim, suas respostas serão afetadas pela velocidade de stress sobre a exatidão ou vice-versa23.

5. analisando dados com um modelo de efeitos mistos em R

Nota: muitos programas estatísticos diferentes podem ser usados para executar a análise. Esta seção descreve as etapas para analisar dados em R24.

  1. Obtenha o tempo de reação (RT) medido em milissegundos para cada teste a partir do arquivo de saída do programa de apresentação (por exemplo, software E-Studio).
  2. Instale os pacotes lme428 e lmertest29. Anexar pacotes com a biblioteca de funções ou exigir.
  3. Importe dados para R usando, por exemplo, a função Read. Table .
  4. Verifique a necessidade de transformação, por exemplo, com a função boxcox do pacote de massa 25, como a distribuição de dados RT é tipicamente altamente distorcida.
    > biblioteca (Mass)
    > boxcox (RT ~ Expnanatory_variable, dados = yourdata)
    Nota: o gráfico produzido pela função boxcox mostra um intervalo de confiança de 95% para o parâmetro de transformação boxcox. Dependendo dos valores lambda localizados dentro desse intervalo, a transformação necessária pode ser escolhida, por exemplo, λ = − 1 (transformação inversa), λ = 0 (transformação logarítmica), λ = 1/2 (transformação de raiz quadrada) e λ = 1/3 (transformação de raiz do cubo).
    1. Transforme os valores de RT usando o RTs transformado invertido (por exemplo,-1000/RT) ou logaritmos binários de RTs (por exemplo, log2 (RT)) desde que estas transformações tendem a fornecer mais normal-como distribuições para tempos de reação em experiências lexical da decisão do que RTs crus a 26.
    2. Alternativamente, use métodos estatísticos que não dependam de distribuições normais e ajustem modelos lineares robustos de efeitos mistos e forneçam estimativas sobre quais outliers ou outras fontes de contaminação têm pouca influência27.
  5. Uma vez que as análises do tempo de reação são tipicamente conduzidas em respostas exatas, excluem ensaios em que a resposta dos participantes foi incorreta (uma resposta de "não" a palavras reais), bem como omissões.
    1. Além disso, exclua respostas a pseudopalavras e enchimentos, a menos que existam hipóteses específicas sobre eles.
    2. Exclua os testes com tempos de resposta mais rápidos do que 300 MS porque eles normalmente indicam que o participante foi muito tarde respondendo a um estímulo anterior ou que ele ou ela acidentalmente pressionado o botão de resposta antes de ler o estímulo.
  6. Crie um modelo de efeitos mistos linear básico que identifique RT como a medida de resultado e o assunto, Iteme avaliação como efeitos aleatórios. Observe que as variáveis cujos valores são amostrados aleatoriamente a partir de um conjunto maior (população) de valores são incluídos como efeitos aleatórios e variáveis com um pequeno número de níveis ou para os quais todos os níveis são incluídos nos dados são efeitos fixos. Adicione os efeitos aleatórios no formulário (1 | Assunto) a fim de estimar interceptos aleatórios para cada um dos efeitos aleatórios.
    > G1 = lmer (RT ~ (1 | Assunto) + (1 | Item) + (1 | Trial), dados = yourdata)
    > Resumo (G1)
  7. Adicione variáveis explicativas em uma ordem teoricamente motivada. Por exemplo, adicione a frequência base das palavras como um efeito fixo. Algumas variáveis, como a frequência de base ou de superfície, têm distribuições Zipfian, então inseri-las no modelo com uma transformação que resulta em uma forma de distribuição mais gaussiana, por exemplo, transformação logarítmica.
    > G2 = lmer (RT ~ log (BaseFrequency + 1) + (1 | Assunto) + (1 | Item) + (1 | Trial), dados = yourdata)
    Resumo > (G2)
  8. Verifique com a função ANOVA se adicionar cada preditora (por exemplo, basefrequency) melhorou significativamente a potência preditiva do modelo em comparação com um modelo sem o preditor.
    > ANOVA (G1, G2)
    1. Se não houver diferença significativa no ajuste do novo modelo sobre o modelo mais simples, prefira o modelo mais simples com menos preditoras. Além disso, verifique o critério de informação de Akaike (AIC)30 de cada modelo. AIC é uma medida de quão bem os modelos estatísticos se encaixam em um conjunto de dados de acordo com a máxima probabilidade. Valores inferiores indicam um ajuste melhor para os dados31.
      > AIC (G1); AIC (G2)
  9. Repita os passos 5,7. e 5,8. adicionando outras variáveis explicativas, por exemplo, algumas das que estão apresentadas na tabela 1, uma a uma em ordem teoricamente motivada e mantendo apenas aquelas que melhoram significativamente o poder preditivo do modelo. Se a assincronia de início do estímulo variável foi utilizada, inclua-a como uma variável de efeito fixo no modelo.
  10. Verifique se há interações teoricamente motivadas entre os preditores. Por exemplo, adicione um termo de interação o log de frequência base por idade.
    > G3 = lmer (RT ~ log (BaseFrequency + 1) + idade + log (BaseFrequency + 1): idade + (1 | Assunto) + (1 | Item) + (1 | Trial), dados = yourdata)
    Nota: é possível que um preditor seja significativo como um termo de interação com outra variável, mas não significativo como o principal preditor. Neste caso, não remova esta preditora do modelo (inclua-a também como o efeito principal).
  11. Adicionar por-participante aleatório encostas32 para preditores, incluindo "1 +" antes do nome da variável, em seguida, "| Assunto ", por exemplo, (1 + log(basefrequency + 1) | Assunto), porque os tempos de resposta dos participantes podem ser afetados pelas palavras ' características lexicais de diferentes maneiras.
    Nota: se houver muitos preditores contínuos, permitindo que todos tenham inclinações aleatórias é irreal porque os modelos de inclinação aleatórios exigem grandes quantidades de dados para estimar com precisão variâncias e covariâncias33,34. No caso de o modelo máximo não convergir (em outras palavras, computar com êxito), simplifique o modelo33. Alternativamente, implemente versões Bayesianas de modelagem multinível35.
  12. Execute a análise para cada grupo participante separadamente. Alternativamente, execute uma análise em todos os dados, com o grupo como um preditor de efeito fixo e, em seguida, teste para uma interação do grupo por preditores significativos.
    > G4 = lmer (RT ~ log (BaseFrequency + 1) + idade + log (BaseFrequency + 1): idade + grupo + log (BaseFrequency + 1): grupo + (1 + log (BaseFrequency + 1) | Assunto) + (1 | Item) + (1 | Trial), dados = yourdata)
  13. A fim de remover a influência de possíveis outliers, exclua pontos de dados com resíduos padronizados absolutos excedendo, por exemplo, 2,5 desvios padrão26, e reajuste o modelo com os novos dados (yourdata2).
    > yourdata2 = yourdata [ABS (Scale (Resid (G4))) < 2,5,]
    > G5 = lmer (RT ~ log (BaseFrequency + 1) + idade + log (BaseFrequency + 1): idade + grupo + log (BaseFrequency + 1): grupo + (1 + log (BaseFrequency + 1) | Assunto) + (1 | Item) + (1 | Trial), dados = yourdata2)
    Observação: nem todos os pontos de dados extremos são prejudiciais para o modelo – somente aqueles que têm alavancagem excessiva sobre o modelo.
  14. No caso de análise exploratória (orientada por dados), use regressão Stepwise inversa: inclua todas as variáveis na análise inicial e, em seguida, remova variáveis não significativas do modelo de forma passo a passo. Alternativamente, use o procedimento automático de eliminação de preditores não significativos com a função Step fornecida pelo pacote lmertest29.
    > etapa (G4)

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

A tabela 1 mostra uma lista de variáveis que foram obtidas de três fontes diferentes (um corpus, um dicionário e testes piloto de itens de teste) que são incluídas na análise como preditoras de efeito fixo. Muitas dessas variáveis têm sido relatadas anteriormente para afetar a velocidade de reconhecimento de palavras.

Corpus:
Frequência de base...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Usando uma tarefa de linguagem simples que não requer produção de linguagem, o presente estudo investigou o impacto de várias variáveis lexicais no reconhecimento de palavras em adultos mais jovens e idosos neurologicamente saudáveis, bem como em pessoas com doença de Alzheimer ou comprometimento cognitivo leve. A faixa etária usada para recrutar "idosos" pode depender dos interesses específicos da pesquisa; no entanto, o intervalo para o grupo idoso saudável deve corresponder o mais próximo possível da faixa etária e di...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores não têm nada a revelar.

Agradecimentos

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

Agradecemos a Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen e Hilkka Soininen por sua contribuição para a coleta de dados e o processamento relatados aqui. A coleta de dados foi apoiada pela VPH demência Research habilitada pela UE, acordo de subvenção n º 601055.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Ferramentas de software de psicologiaE-Primeversão 2.0.10.356.
PC com Windows e Teclado
RR Foundation for Statistical ComputingR Core Team (2018). R: Uma linguagem e ambiente para computação estatística. R Foundation for Statistical Computing, Viena, Áustria. URL https://www.R-project.org/.

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Velocidade de Reconhecimento de PalavrasModelos de Efeitos MistosAn lise de Componentes PrincipaisDados de Tempo de Rea oEnvelhecimento CognitivoPesquisa sobre Dem nciaDoen a de AlzheimerProtocolo Experimental

Artigos relacionados