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

A tarefa de decisão léxica é usada para medir a velocidade de reconhecimento de palavras. Essa tarefa pode revelar características do léxico mental e como o léxico muda com o envelhecimento e com distúrbios neurodegenerativos. Muitas tarefas linguísticas requerem a coordenação da linguagem e outros aspectos da cognição.

A tarefa de decisão léxica não depende muito de outras habilidades cognitivas, que podem ser comprometidas em algumas populações, como pacientes com demência. Ajudando a demonstrar o procedimento estará Dalia Garcia, nossa gerente de laboratório. Coloque o participante em frente a um monitor de computador a uma distância de visualização de cerca de 80 centímetros em uma sala normalmente iluminada.

Como foi o passeio? Foi bom. Pressione o botão esquerdo se a palavra for uma palavra real.

Instrua o participante a decidir o mais rápido e com precisão possível se a string de letra na tela é uma palavra real ou não pressionando um dos dois botões correspondentes. Inicie o experimento com uma sessão prática que inclui um pequeno número de ensaios com uma palavra apresentada horizontalmente por ensaio, subtendando um ângulo visual de cerca de cinco graus. Divida o experimento em blocos e dê pequenos intervalos após a sessão prática e entre os blocos para permitir que os participantes descansem os olhos e reduzam a fadiga.

Em seguida, inicie cada novo bloco com alguns itens de enchimento de substantivos comuns, como cachorro, irmã ou ano, que não serão incluídos na análise. Apresente os itens em uma ordem aleatória. Inicie cada teste de experimento com uma marca de fixação aparecendo no centro da tela por 500 milissegundos seguidos por uma tela em branco por mais 500 milissegundos.

Imediatamente após a tela em branco, apresente uma carta de 1.500 milissegundos ou até que o participante responda. Finalmente, depois de uma resposta ser feita, siga novamente com uma tela em branco até 3.000 milissegundos passou desde o início do julgamento. Comece abrindo o arquivo de saída do programa de apresentação e obtenha o tempo de reação, medido em milissegundos, para cada ensaio.

Importe dados em R usando, por exemplo, a leitura. função de tabela. Instale os pacotes lme4 e lmerTest.

Conecte pacotes com a biblioteca de funções ou exija. Verifique a necessidade de transformação usando a função boxcox, pois a distribuição dos dados de tempo de reação é tipicamente altamente distorcida. Transforme os valores do tempo de reação usando tempos de reação transformados invertidos ou logaritmos binários de tempos de reação, uma vez que essas transformações tendem a fornecer distribuições mais normais para tempos de reação em experimentos de decisão léxica do que valores de tempo de reação bruto.

Em seguida, exclua ensaios de pseudo-palavra e preenchimento, bem como respostas e omissões incorretas. Exclua ensaios com tempos de resposta mais rápido que 300 milissegundos porque eles normalmente indicam que o participante estava tarde demais respondendo a um estímulo anterior. Em seguida, construa um modelo básico de efeitos lineares mistos que identifica os tempos de reação como a medida de resultado e o item e o ensaio como efeitos aleatórios.

Adicione os efeitos aleatórios para estimar interceptações aleatórias para cada um dos efeitos aleatórios. Adicione variáveis explicativas em uma ordem teoricamente motivada. Por exemplo, adicione a frequência baseada em palavras como um efeito fixo.

Insira variáveis, como frequência base ou superfície, no modelo com uma transformação que resulta em uma forma de distribuição mais gaussiana. Verifique com a função anova se adicionar cada preditor melhorou significativamente a potência preditiva do modelo em comparação com um modelo sem o preditor. Se não houver diferença significativa no ajuste do novo modelo em relação ao modelo mais simples, escolha o modelo mais simples com menos preditores.

Em seguida, verifique o critério de informação de Akaike de cada modelo usando a função AIC. Valores mais baixos indicam um melhor ajuste para os dados. Em seguida, verifique se há interações teoricamente motivadas entre preditores.

Por exemplo, adicione um termo de interação, o registro da frequência base por idade. Em seguida, adicione por parte do participante inclinações aleatórias para preditores, incluindo uma mais antes do nome variável, depois uma barra vertical, em seguida, sujeito, porque os tempos de reação dos participantes podem ser afetados por suas características individuais ou por características lexicas de diferentes maneiras. Execute a análise para cada grupo participante separadamente ou execute uma análise sobre todos os dados com o grupo como preditor de efeito fixo e, em seguida, teste para uma interação de grupo por preditores significativos.

Para remover a influência de possíveis outliers, exclua pontos de dados com resíduos padronizados absolutos superiores a 2,5 desvios-padrão e reequipar o modelo com os novos dados. Finalmente, no caso da análise exploratória orientada por dados, use uma regressão retroiente. Inclua todas as variáveis na análise inicial e, em seguida, remova variáveis não significativas do modelo de forma passo a passo.

Esses resultados indicam como a velocidade de reconhecimento de palavras pode ser diferente para adultos mais jovens e idosos. Apenas dois componentes de princípio, PC1 e PC4, foram significativos nos adultos jovens. Três componentes foram preditores significativos nos modelos de controles de idosos, indivíduos com prejuízo cognitivo leve e indivíduos com Alzheimer.

Este terceiro componente, PC2, é interpretado como refletindo a influência de aspectos baseados em forma de uma palavra na velocidade de reconhecimento de palavras. Além disso, surgiu uma diferença interessante entre os três grupos de idosos. A educação previu significativamente a velocidade de reconhecimento de palavras para os controles de idosos e indivíduos com prejuízo cognitivo leve, mas não para indivíduos com Alzheimer.

Essa metodologia pode ser aplicada a outros tipos de questões sobre o léxico mental e para outras populações, como multilíngues e pessoas com afasia.