Методическая статья

Лексическое решение Задача для изучения Письменное распознавание слов у взрослых с и без слабоумия или мягкий когнитивных нарушений

DOI:

10.3791/59753

⸱

25 июня 2019 г.

 ,  ,  , 
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

В этой статье

Краткое содержание

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

В этой статье описывается, как реализовать простой лексический эксперимент решения для оценки письменного распознавания слов в неврологически здоровых участников и у людей с деменцией и когнитивным снижением. Мы также предоставляем подробное описание анализа времени реакции с использованием анализа основных компонентов (PCA) и моделирования смешанных эффектов.

Аннотация

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

Пожилые люди медленнее при распознавании визуальных объектов, чем молодые взрослые. То же самое верно и для признания того, что строка буквявляется реальное слово. Люди с болезнью Альцгеймера (AD) или мягкий когнитивных нарушений (MCI) демонстрируют еще более длительные ответы в письменном распознавании слов, чем пожилые элементы управления. Несмотря на общую тенденцию к более медленному распознаванию при старении и нейрокогнитивных расстройствах, определенные характеристики слов влияют на скорость распознавания слов независимо от возраста или нейропатологии (например, частота использования слова). Мы представляем здесь протокол для изучения влияния лексических характеристик на время реакции распознавания слов в простом лексическом эксперименте решения, проводимом для молодых и пожилых людей и людей с MCI или AD. В этом эксперименте участникам предлагается как можно быстрее и точнее решить, является ли данная строка буквы фактическим словом или нет. Мы также описываем модели смешанных эффектов и анализ основных компонентов, которые могут быть использованы для определения влияния различных типов лексических переменных или индивидуальных характеристик участников на скорость распознавания слов.

Введение

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

Слова хранятся в ментальном лексиконе в тесно взаимосвязанной сети. Связи между словами могут отражать общие свойства, такие как семантическое сходство (например, собака и кошка),образуют сходство (собака и туман),или частое совместное появление в общем использовании языка (например, собака и поводок). Когнитивные теории языка, такиекак теория 1, основанная на использовании, утверждают, что каждая встреча слова пользователя языка влияет на умственное представление слова. Согласно Exemplar Theory, представление слова состоит из многих образцов, которые построены из отдельных жетонов использования языка и которые представляют изменчивость, которая существует для данной категории. Частота использования2 влияет на представления в памяти, способствуя силе образца1.

Скорость распознавания слов может выявить характеристики умственного лексикона. Широко используемая экспериментальная парадигма для измерения скорости распознавания слов является лексической задачей принятия решений. В этой задаче участникам представлены строки букв на мониторе, по одному за раз. Им поручено как можно быстрее решить, является ли строка буквы на экране реальным словом или нет, нажав соответствующую кнопку.

Изучая время реакции на реальные слова, исследователи могут решить ряд важных вопросов об обработке языка. Например, определение того, какие факторы быстрее делают распознавание, может проверить гипотезы о структуре ментального лексикона и выявить его архитектуру. Кроме того, сравнение производительности между различными группами участников может помочь нам понять влияние различных типов языкового опыта, или, в случае старения или нейродегенеративных заболеваний (например, болезнь Альцгеймера), роль когнитивных Снижение.

Некоторые факторы (например, частота использования) оказывают большее влияние на распознавание слов, чем другие факторы (например, длина слова). С возрастом, как люди признают письменные слова могут измениться3,4. Молодые взрослые, как правило, в значительной степени полагаются на семантические (смысл основе) аспекты слова, такие как, сколько соединений (например, бульдог) или производные слова (например, собачка) доля аспекты как формы и смысл с целевым словом (в данном случае, собака). Распознавание слов для пожилых людей, как представляется, в большей степени зависит от форм-аспектов, таких как частота, что две последующие буквы совместно происходят в языке (например, буква комбинации st происходит чаще в английских словах, чем комбинация sk).

Чтобы определить факторы, влияющие на скорость распознавания слов в разных группах, исследователь может манипулировать определенными переменными в наборе стимулов, а затем проверить силу этих переменных, чтобы предсказать скорость распознавания слов. Например, чтобы проверить, является ли распознавание слов обусловлено семантическими или форм-факторами, набор стимулов должен включать переменные, которые отражают степень связи слова с его семантическими соседями в ментальном лексиконе или его связь с другими словами которые разделяют часть его формы.

Этот метод был использован в текущем исследовании, чтобы исследовать ли скорость распознавания слов зависит от различных факторов, в молодых и пожилых людей и у людей с болезнью Альцгеймера (AD) или мягкий когнитивных нарушений (MCI)3. Описанный здесь метод основан на визуальном распознавании слов, но может быть адаптирован к слуховой модальности. Тем не менее, некоторые переменные, которые являются значительными предикторами времени реакции в типичном визуальном лексическом эксперименте, могут не предсказать пропонизы реакции в слуховом лексическом решении или иметь обратный эффект. Например, фонологический район имеет обратный эффект через эти два условия5: слова с большими фонологическими районами демонстрируют стимуляторическое влияние на визуальное распознавание слов, но приводят к более длительному ответу в слуховое лексическое решение6.

Трудности поиска слов у пожилых людей 7, как правило, объясняются трудностями при доступе к фонологической форме слова, а не разбивка семантического представления8. Тем не менее, исследования AD в первую очередь сосредоточены на семантических снижение9,10,11,12,13,14. Важно распутать, как семантические и орфографические факторы влияют на распознавание письменных слов в старении с когнитивным снижением и без него. Влияние форм-факторов более выражено в более старых, чем у молодых людей, и оно остается значительным у людей с MCI или AD3. Таким образом, эта методология может помочь нам раскрыть особенности психического лексикона в разных популяциях и определить изменения в организации лексикона с возрастом и невропатологией. Одна из проблем при тестировании пациентов с невропатологией является то, что они могут испытывать трудности с доступом к знаниям, связанным с задачами. Тем не менее, лексическое решение задача простая задача без нагрузки на рабочую память или другие сложные когнитивные навыки, что многие пациенты проявляют проблемы с. Он был признан целесообразным для AD и MCI населения.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Протокол соответствует руководящим принципам Комитета по этике больничного района Северного Саво (IRB00006251).

1. Скрининг участников

  1. Набирать молодых и пожилых людей, которые имеют нормальное или исправленное нормальное зрение и являются носителями языка, проверенного, если исследование не рассматривает конкретные вопросы исследования, касающиеся приобретения второго языка.
  2. Для здоровых контрольных групп, исключить участников, которые имеют историю неврологических или психических расстройств.
  3. Для клинических групп, набирать лиц, которые были диагностированы с болезнью Альцгеймера15 или легкие когнитивные нарушения16,17. Набирать только лиц, которые могут дать осознанное согласие, в соответствии с решением врача. Для точного сравнения сопой возрастной диапазон и среднее количество клинических групп с возрастными группами здоровых участников пожилого возраста.
  4. Измерьте тяжесть деменции, например, используя шкалу рейтинга клинической деменции18 (CDR, 0'no dementia, 0.5'very mild, 1'mild, 2'moderate, 3'severe). Исключить пациентов с тяжелой деменцией, потому что задача может быть слишком сложной для них. Не включайте участников, которые, кажется, не могут следовать инструкциям, несмотря на их оценку тяжести.

2. Стимул строительства

  1. Выберите слово стимулы для решения конкретных вопросов исследования, например, будь то семантические или орфографические / фонологические переменные имеют более сильное влияние на распознавание слов19 в различных популяциях.
  2. Вычислите из корпуса20 или извлеките из базы данных21 переменные, отражающие семантические, фонологические и орфографические характеристики стимулов, чтобы они могли быть использованы либо как теоретически мотивированные предикторы, объясняющие слово время реакции распознавания или как контрольные переменные. Кроме того, используйте пол участников, возраст и годы обучения в качестве пояснительных или контрольных переменных.
  3. В дополнение к реальным словам, построить набор соответствующих псевдо-слов. Псевдослова напоминают реальные слова в том смысле, что они соответствуют языковым нормам размещения определенных букв в определенных словах позиций (фонотактика). Для того, чтобы контролировать фонотактику, создавайте псевдослова, например, путем случайного рекомбинации первых слогов из некоторых слов со вторыми слогами из других слов. Удалите все элементы, которые оказались производить реальное слово через эту рекомбинацию и все элементы, которые нарушают фонотактику языка.
  4. Сопойте псевдослова с целевыми словами с точки зрения длины слова в письмах и частоты биграма, что является средним числом раз, что все комбинации двух последующих букв происходят в текстовом корпусе. Эти переменные, как было показано, влияют на скорость распознавания.
    ПРИМЕЧАНИЕ: Манипулирование соотношением псевдослов (например, количество реальных слов по отношению к количеству псевдослов) может привести к различным результатам, при этом ответы на менее вероятные стимулы медленнее и менее точные22.
  5. Добавьте набор наполнителей из реального слова, чтобы уменьшить продолжительность следующего стимула следующего стимула (например, определенного инфлективного класса). Выберите их, например, из различных категорий слов (например, искрометные классы), чем те, которые используются для построения стимулов в соответствии с характеристиками интереса.

3. Экспериментальный дизайн

  1. Настоящее письмо строки горизонтально, по одному, подчинив визуальный угол около 5 ".
  2. Начните эксперимент с практического занятия, которое включает в себя небольшое количество испытаний, с одним словом, представленным в суде (например, 15 слов и 15 псевдослов, не включенных в фактический эксперимент). Это необходимо для ознакомления участника с задачей и кнопками ответа. Если участник не отвечает точно (кнопка «да» для реальных слов и кнопка «нет» для псевдослов) во время практических испытаний, предоставьте обратную связь и переодейте практический сеанс.
  3. Разделите эксперимент на блоки и дайте короткие перерывы после практического сеанса и между блоками. Эти перерывы позволяют участникам отдохнуть глаза и снизит усталость.
  4. Начните каждый новый блок с несколькими элементами наполнителя, которые не будут включены в анализ (например, общие существительные, такие как собака, сестра,год), потому что первые несколько испытаний блока иногда игнорируются участниками с MCI или AD.
  5. Представляйте экспериментальные элементы в случайном порядке для каждого участника.
  6. Начните каждое испытание с отметки фиксации (например, знак q), появляющийся в центре экрана на 500 мс, а затем пустой экран для фиксированного (например, 500 мс) или переменного количества времени (например, 500-800 мс).
  7. Сразу после пустого экрана, представить строку буквы (слово или псевдо-слово) для 1500 мс или до тех пор, пока участник отвечает.
  8. После ответа или после 1500 мс с самого начала слова (в зависимости от того, приходит первым), следовать снова с пустым экраном до 3000 мс прошло с самого начала судебного разбирательства.
  9. Повторяйте эту последовательность до тех пор, пока не будут представлены все элементы эксперимента.
    ПРИМЕЧАНИЕ: Времена для задержки между стимулами служат в качестве примера. Изменение их может повлиять на структуру результатов.

4. Экспериментальная процедура

  1. Поместите участника перед монитором компьютера на расстоянии около 80 см в обычно освещенной комнате.
  2. Поручить участнику как можно быстрее и точнее решить, является ли строка буквы на экране реальным словом или нет, нажав одну из двух соответствующих кнопок своей доминирующей рукой (например, указательный палец для реальных слов и средний палец для псевдо-слов) или с помощью указательного пальца каждой руки.
    ПРИМЕЧАНИЕ: Участники пытаются оптимизировать свою производительность в соответствии с инструкциями. Таким образом, на их ответы будет влиять подчеркивая скорость над точностью или наоборот23.

5. Анализ данных с помощью модели смешанных эффектов в R

ПРИМЕЧАНИЕ: Для проведения анализа можно использовать множество различных статистических программ. В этом разделе описаны шаги для анализа данных в R24.

  1. Получите время реакции (RT), измеренное в миллисекундах для каждого испытания из выходного файла презентационной программы (например, программное обеспечение E-Studio).
  2. Установите пакеты lme428 и lmerTest29. Прикрепите пакеты с библиотекой функций или требуют.
  3. Импортируйте данные в R, используя, например, функцию read.table.
  4. Проверьте необходимость преобразования, например, с функцией boxcox из пакета MASS 25, так как распределение данных RT, как правило, сильно перекос.
    Библиотека (MASS)
    (gt; boxcox(RT - Expnanatory-variable, данные и yourdata)
    ПРИМЕЧАНИЕ: График, производимый функцией boxcox, показывает 95% доверительный интервал для параметра преобразования boxcox. В зависимости от значений лямбды, расположенных в пределах этого интервала, может быть выбрана необходимая трансформация, например, q, No 1 (обратная трансформация), No0 (логарифмическая трансформация), No1/2 (преобразование квадратного корня) и No1/3 (преобразование корней куба).
    1. Преобразование значений RT с помощью перевернутых преобразованных РТ (например, -1000/RT) или бинарных логарифмов РТ (например, log2(RT)), так как эти преобразования, как правило, обеспечивают более нормальное распределение времени реакции в лексических экспериментах, чем необработанные РТ, чем необработанные РТ, чем необработанные РТ 26.
    2. Кроме того, используйте статистические методы, которые не полагаются на нормальные распределения и соответствуют надежные линейные модели смешанных эффектов и дают оценки, на которые выбросы или другие источники загрязнения имеют мало влияния27.
  5. Поскольку анализ времени реакции обычно проводится на точных ответах, исключите исследования, в которых ответ участников был неверным (ответ «нет» на реальные слова), а также упущения.
    1. Кроме того, исключить ответы на псевдо-слов и наполнителей, если Есть конкретные гипотезы о них.
    2. Исключите испытания с временем отклика быстрее, чем 300 мс, потому что они обычно указывают на то, что участник слишком поздно реагировал на предыдущий стимул или что он или она случайно нажали кнопку ответа перед чтением стимула.
  6. Создайте базовую линейную модель смешанных эффектов, которая определяет RT как меру результата и субъект, пункт, и Испытание как случайные эффекты. Обратите внимание, что переменные, значения которых случайным образом отбираются из большего набора (населения) значений, включаются в качестве случайных эффектов и переменных с небольшим количеством уровней или для которых все уровни включены в данные, являются фиксированными эффектами. Добавить случайные эффекты в форме (1 Тема) для того, чтобы оценить случайные перехваты для каждого из случайных эффектов.
    г-gt; g1 и lmer (RT ) (1 Тема) Пункт) Испытание), данные и ваши данные)
    Резюме (g1)
  7. Добавьте пояснительные переменные в теоретически мотивированном порядке. Например, добавить базовую частоту слов в качестве фиксированного эффекта. Некоторые переменные, такие как базовая или частота поверхности, имеют дистрибутивы ципфийского, поэтому вставьте их в модель с преобразованием, которое приводит к более гауссийской форме распределения, например, логарифмической трансформации.
    гgt; g2 и lmer (RT - журнал (BaseFrequency ) Тема) Пункт) Испытание), данные и ваши данные)
    Резюме (g2)
  8. Проверьте с функцией Anova, если добавление каждого предиктора (например, BaseFrequency)значительно улучшило прогностический мощность модели по сравнению с моделью без предиктора.
    Анова (g1, g2)
    1. Если нет существенной разницы в припадке новой модели по сравнению с более простой моделью, отдавайте предпочтение самой простой модели с меньшим количеством предикторов. Кроме того, проверьте информационный критерий Akaike (AIC)30 каждой модели. АИК является мерой того, насколько хорошо статистические модели соответствуют набору данных в соответствии с максимальной вероятностью. Более низкие значения указывают на более подходящий вариант для данных31.
      АиС (g1); AIC (g2)
  9. Повторите шаги 5.7. и 5,8. добавляя другие пояснительные переменные, например, некоторые из тех, которые представлены в таблице1, один за другим в теоретически мотивированном порядке и сохраняя только те, которые значительно улучшают прогностический устремленность модели. Если была использована асинхронность переменного стимула, включите ее в качестве переменной с фиксированным эффектом в модели.
  10. Проверьте теоретически мотивированные взаимодействия между предсказателями. Например, добавить термин взаимодействия журнал базовой частоты по возрасту.
    Гтот; g3 и lmer (RT - журнал (BaseFrequency ) - Возраст - журнал (BaseFrequency ) : Возраст (1) : Возраст (1 ) Тема) Пункт) Испытание), данные и ваши данные)
    ПРИМЕЧАНИЕ: Возможно, что предиктор имеет важное значение как термин взаимодействия с другой переменной, но не значителен в качестве основного предиктора. В этом случае не удаляйте этот предиктор из модели (включите его также в качестве основного эффекта).
  11. Добавить по-участник случайных склонов32 для предсказателей, включив "1" до переменного имени, а затем " Тема", например, (1 журнал(BaseFrequency No1) Тема),потому что время отклика участников может быть затронуто лексическими характеристиками слов по-разному.
    ПРИМЕЧАНИЕ: Если Есть много непрерывных предикторов, что позволяет им всем иметь случайные склоны нереально, потому что случайные модели склона требуют больших объемов данных для точной оценки отклонений и ковариантнок33,34. В случае, если максимальная модель не сходится (другими словами, успешно вычислить), упростить модель33. Кроме того, реализуем байесовские версии многоуровневого моделирования35.
  12. Выполнить анализ для каждой группы участников отдельно. Кроме того, запустите анализ всех данных, с группой в качестве предиктора фиксированного эффекта, а затем проверьте взаимодействие группы значительными предикторами.
    Гот; g4 й lmer (RT - журнал (BaseFrequency ) - Возраст - журнал (BaseFrequency ) 1) : Возраст - Группа -"Группа" (BaseFrequency) : Группа No (1 журнал (BaseFrequency) 1) Тема) Пункт) Испытание), данные и ваши данные)
  13. Для того, чтобы устранить влияние возможных выбросов, исключить точки данных с абсолютными стандартизированными остатками, превышающими, например, 2,5 стандартных отклонений26,и переуместите модель с новыми данными(yourdata2).
    (rugt; yourdata2) - yourdata (масштаб (масштаб (resid(g4)))
    Гтхот; g5 й lmer (RT - журнал (BaseFrequency ) - Возраст - журнал (BaseFrequency ) - 1) : Возраст - Группа -" -" (BaseFrequency) : Группа No (1 журнал (BaseFrequency ) Тема) Пункт) Испытание), данные и yourdata2)
    ПРИМЕЧАНИЕ: Не все экстремальные точки данных вредны для модели - только те, которые имеют чрезмерное влияние на модель.
  14. В случае исследовательского (управляемого данными) анализа используйте шаг за шагом регрессию назад: включите все переменные в первоначальный анализ, а затем удалите незначительные переменные из модели пошаговым образом. Кроме того, используйте автоматическую процедуру устранения незначительных предсказателей с функцией шага, предоставляемой пакетом lmerTest29.
    Шаг (g4)

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

В таблице 1 показан список переменных, полученных из трех различных источников (корпус, словарь и экспериментальное тестирование тестовых элементов), которые включены в анализ в качестве предикторов с фиксированным эффектом. Многие из этих переменных, как сообщалось ранее, влияют на скорость распознавания слов.

<...
Корпус:
Базовая частота

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Используя простую языковую задачу, которая не требует языкового производства, настоящее исследование исследовало влияние различных лексических переменных на распознавание слов у неврологически здоровых молодых и пожилых людей, а также у людей с болезнью Альцгеймера или Мягкие когнитивные нарушения. Возрастной диапазон, используемый для набора "пожилых людей", может зависеть от конкретных научных интересов; однако, диапазон для здоровой пожилой группы должен соответствовать как можно ближе возрастной диапазон и распределе...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторам нечего раскрывать.

Благодарности

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

Мы благодарим Минну Лехтонен, Туомо Хённинен, Мерью Халликайнен и Хилку Сойнинен за их вклад в сбор и обработку данных, о которых сообщалось здесь. Сбор данных был поддержан VPH Dementia Research, включенным ЕС, Грантсоглашение No 601055.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Программныеинструменты E-Prime Psychologyверсии 2.0.10.356.
ПК с Windows и клавиатурой
RR Foundation for Statistical ComputingR Core Team (2018). Р: Язык и среда для статистических вычислений. R Foundation for Statistical Computing, Вена, Австрия. URL https://www.R-project.org/.

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи