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

Задача лексического решения используется для измерения скорости распознавания слов. Эта задача может выявить характеристики психического лексикона и как лексикон меняется со старением и с нейродегенеративными расстройствами. Многие языковые задачи требуют координации языка и других аспектов познания.

Лексическая задача принятия решений не сильно зависит от других когнитивных способностей, которые могут быть скомпрометированы в некоторых популяциях, таких как пациенты с деменцией. Помочь продемонстрировать процедуру будет Даля Гарсия, наш менеджер лаборатории. Поместите участника перед монитором компьютера на расстояние около 80 сантиметров в обычно освещенной комнате.

Как поездка? Это было хорошо. Нажмите левую кнопку, если слово является реальным словом.

Поручите участнику как можно быстрее и точнее решить, является ли строка буквы на экране реальным словом или нет, нажав одну из двух соответствующих кнопок. Начните эксперимент с практического занятия, которое включает в себя небольшое количество испытаний с одним словом, представленным горизонтально за пробную подливу визуального угла около пяти градусов. Разделите эксперимент на блоки и дайте короткие перерывы после тренировки и между блоками, чтобы позволить участникам отдохнуть глаза и уменьшить усталость.

Далее, начать каждый новый блок с несколькими элементами наполнителя общих существительное, таких как собака, сестра, или год, которые не будут включены в анализ. Представление элементов в случайном порядке. Начните каждое испытание эксперимента с фиксации знака, появляющийся в центре экрана в течение 500 миллисекунд, а затем пустой экран в течение еще 500 миллисекунд.

Сразу после чистого экрана, представить строку письма в течение 1500 миллисекунд или до тех пор, пока участник отвечает. Наконец, после того, как ответ сделан, следуйте снова с пустым экраном до 3000 миллисекунд прошло с начала судебного разбирательства. Начните с открытия выходного файла презентационной программы и получите время реакции, измеряемое в миллисекундах, для каждого испытания.

Импорт данных в R с помощью, например, чтения. функция таблицы. Установите пакеты lme4 и lmerTest.

Прикрепите пакеты с библиотекой функций или требуем. Проверьте необходимость преобразования с помощью функции boxcox, поскольку распределение данных о времени реакции, как правило, сильно искажено. Преобразование значений времени реакции с использованием перевернутых преобразованных времен реакции или бинарных логаритмов времени реакции, так как эти преобразования, как правило, обеспечивают более нормальные распределения для времени реакции в лексических экспериментах, чем необработанные значения времени реакции.

Далее исключите псевдословные и наполнительные испытания, а также неправильные ответы и упущения. Исключите испытания с временем отклика быстрее 300 миллисекунд, поскольку они обычно указывают на то, что участник опоздал, отвечая на предыдущий стимул. Далее, построить базовую модель линейных смешанных эффектов, которая определяет время реакции в качестве измерения результата и предмета пункта и суда, как случайные эффекты.

Добавьте случайные эффекты для оценки случайных перехватов для каждого из случайных эффектов. Добавьте пояснительные переменные в теоретически мотивированной порядке. Например, добавьте частоту на основе слов в качестве фиксированного эффекта.

Вставьте переменные, такие как частота основания или поверхности, в модель с преобразованием, которое приводит к более гауссийской форме распределения. Проверьте с функцией anova, если добавление каждого предиктора значительно улучшило прогностический мощность модели по сравнению с моделью без предиктора. Если нет существенной разницы в приспособлении новой модели к более простой модели, выберите простейшую модель с меньшим количеством предикторов.

Затем проверьте информационный критерий Akaike каждой модели с помощью функции AIC. Более низкие значения указывают на то, что данные лучше подходят. Далее проверьте теоретически мотивированное взаимодействие между предикторами.

Например, добавьте термин взаимодействия, журнал базовой частоты по возрасту. Затем добавьте случайными склонами участников для предсказателей, включив один плюс перед переменным именем, затем вертикальный бар, затем предмет, потому что время реакции участников может зависеть от их индивидуальных характеристик или слов'лексических характеристик по-разному. Вы запустите анализ для каждой группы участников отдельно или запустите анализ всех данных с группой в качестве предиктора фиксированного эффекта, а затем проверьте взаимодействие группы значительными предикторами.

Для устранения влияния возможных выбросов исключите точки данных с абсолютными стандартизированными остатками, превышающими 2,5 стандартных отклонения, и переоборудуете модель с новыми данными. Наконец, в случае исследовательского анализа, управляемого данными, используйте регрессию в обратном направлении. Включите все переменные в первоначальный анализ, а затем удалите несущественые переменные из модели шаг за шагом.

Эти результаты показывают, как скорость распознавания слов может отличаться для молодых людей и пожилых людей. Только два основных компонента, PC1 и PC4, были значительными в молодых взрослых. Три компонента были значительными предикторами в моделях для пожилых людей контроля, лиц с легкими когнитивными нарушениями, и лиц с болезнью Альцгеймера.

Этот третий компонент, PC2, интерпретируется как отражающий влияние основанных на форме аспектов слова на скорость распознавания слов. Кроме того, возникло одно интересное различие между тремя пожилыми группами. Образование значительно предсказал скорость распознавания слов для пожилых контроля и лиц с легкими когнитивными нарушениями, но не для людей с болезнью Альцгеймера.

Эта методология может быть применена к другим типам вопросов о психическом лексиконе и к другим популяциям, таким как многоязычные и люди с афазией.