Summary
Denne artikel beskriver, hvordan man implementerer en simpel leksikisk beslutning eksperiment for at vurdere skrevne ord anerkendelse i neurologisk raske deltagere og hos personer med demens og kognitiv tilbagegang. Vi giver også en detaljeret beskrivelse af reaktionstid analyse ved hjælp af vigtigste komponenter analyse (PCA) og blandet-effekter modellering.
Abstract
Ældre voksne er langsommere til at genkende visuelle objekter end yngre voksne. Det samme gælder for at erkende, at en bogstav streng er et rigtigt ord. Mennesker med Alzheimers sygdom (AD) eller mild kognitiv svækkelse (MCI) demonstrere endnu længere respons i skriftlig ord anerkendelse end ældre kontrol. På trods af den generelle tendens til langsommere anerkendelse i aldring og neurokognitive forstyrrelser, visse karakteristika af ord indflydelse ord anerkendelse hastighed uanset alder eller neuropatologi (f. eks et ords hyppighed af brug). Vi præsenterer her en protokol for at undersøge indflydelsen af leksikale egenskaber på ord anerkendelse svartider i en simpel leksikisk beslutning eksperiment administreret til yngre og ældre voksne og mennesker med MCI eller AD. I dette eksperiment bliver deltagerne bedt om at beslutte så hurtigt og præcist som muligt, om en given bogstav streng er et faktisk ord eller ej. Vi beskriver også blandede effekter modeller og vigtigste komponenter analyse, der kan bruges til at detektere indflydelsen af forskellige typer af leksikale variabler eller individuelle karakteristika af deltagerne på ord anerkendelse hastighed.
Introduction
Ord er lagret i mental leksikon i et stærkt sammenkoblet netværk. Forbindelserne mellem ord kan afspejle fælles egenskaber, såsom semantisk lighed (f. eks. hund og kat), form lighed (hund og tåge) eller hyppig sameksistens i fælles sprogbrug (f. eks. hund og snor). Kognitive teorier af sprog, såsom skik-baseret teori1, hævder, at hvert møde af et ord af en sprog bruger har en effekt på ordets mentale repræsentation. Ifølge eksemplarisk teori, et ords repræsentation består af mange eksemplarerne, som er opbygget af individuelle tokens af sprogbrug, og som repræsenterer den variation, der findes for en given kategori. Hyppigheden af brug2 påvirker repræsentationer i hukommelsen ved at bidrage til styrken af et eksempel1.
Word anerkendelse hastighed kan afsløre de særlige kendetegn ved den mentale leksikon. Et almindeligt anvendt eksperimentelt paradigme til måling af hastigheden af ordgenkendelse er den leksikale beslutnings opgave. I denne opgave præsenteres deltagerne med bogstav strenge på en skærm, én ad gangen. De får besked på så hurtigt som muligt at afgøre, om bogstav strengen på skærmen er et rigtigt ord eller ej ved at trykke på den tilsvarende knap.
Ved at undersøge reaktionstiderne for rigtige ord kan forskerne tage fat på en række vigtige spørgsmål om sprogbehandling. For eksempel, identificere hvilke faktorer gør anerkendelse hurtigere kan teste hypoteser om strukturen af den mentale leksikon og afsløre sin arkitektur. Desuden kan sammenligninger af præstationer på tværs af forskellige grupper af deltagere hjælpe os med at forstå indflydelsen af forskellige typer af sproglige erfaringer, eller, i tilfælde af aldring eller neurodegenerative sygdomme (f. eks Alzheimers sygdom), den rolle, kognitive Fald.
Nogle faktorer (f. eks. hyppigheden af brug) udviser større indflydelse på ordgenkendelse end andre faktorer (f. eks. ordlængde). Med den fremskredne alder kan den måde, folk genkender skrevne ord på, ændre3,4. Yngre voksne har tendens til at stole stærkt på semantiske (betydning-baserede) aspekter af et ord, såsom hvor mange forbindelser (f. eks bulldog) eller afledte ord (f. eks doggy) dele aspekter af både form og betydning med målet ord (i dette tilfælde, hund). Word anerkendelse for ældre voksne synes at være mere påvirket af form-baserede aspekter, såsom hyppigheden, at to efterfølgende bogstaver Co-forekomme på sproget (f. eks bogstavkombination St forekommer oftere på engelsk ord end kombinationen ).
For at bestemme de faktorer, der påvirker ordet anerkendelse hastighed på tværs af forskellige grupper, forskeren kan manipulere visse variabler i stimulus sæt og derefter teste kraften i disse variabler til at forudsige ordgenkendelse hastighed. For eksempel, for at teste, om ordet anerkendelse er drevet af semantiske eller form-baserede faktorer, bør stimulus sættet omfatte variabler, der afspejler graden af tilslutning af et ord til sine semantiske naboer i mental leksikon eller dens forbindelse til andre ord del af formularen.
Denne metode blev anvendt i den nuværende undersøgelse for at undersøge, om ordet anerkendelse hastighed er påvirket af forskellige faktorer i yngre og ældre voksne og hos personer med Alzheimers sygdom (AD) eller mild kognitiv svækkelse (MCI)3. Den her beskrevne metode er baseret på genkendelse af visuelle ord, men kan tilpasses den auditive modalitet. Men nogle variabler, der er signifikante indikatorer for reaktionstider i et typisk visuelt leksikisk beslutnings eksperiment, kan ikke forudsige respons latencer i en auditiv leksikisk beslutning eller kan have den modsatte virkning. For eksempel, den fonologiske kvarter har den modsatte effekt på tværs af disse to modaliteter5: ord med større fonologiske kvarterer udviser en facilitatoriske effekt på visuel ord anerkendelse, men resulterer i længere respons latencer i auditiv leksikisk afgørelse6.
Ord-at finde vanskeligheder i ældre voksne7 er generelt blevet tilskrevet vanskeligheder adgang til fonologiske ord form snarere end en opdeling af den semantiske repræsentation8. Men, ad Research har primært fokuseret på semantiske fald9,10,11,12,13,14. Det er vigtigt at adskille hvordan semantiske og ortografiske faktorer påvirker anerkendelsen af skrevne ord i aldring med og uden kognitiv tilbagegang. Indflydelsen af form relaterede faktorer er mere udtalt hos ældre end hos yngre voksne, og det er fortsat signifikant hos personer med MCI eller AD3. Således kan denne metode hjælpe os afdække funktioner i den mentale leksikon på tværs af forskellige populationer og identificere ændringer i leksikon organisation med alder og neuropatologi. Et problem ved testning af patienter med neuropatologi er, at de kan have svært ved at få adgang til opgaverelateret viden. Men den leksikale beslutning opgave er en simpel opgave uden byrde på arbejdshukommelsen eller andre komplekse kognitive færdigheder, som mange patienter udviser problemer med. Det er blevet anset for hensigtsmæssigt for AD-og MCI-populationer.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Protokollen følger retningslinjerne fra den etiske komité i sygehus distriktet Northern Savo (IRB00006251).
1. screening af deltagere
- Rekruttere yngre og ældre voksne, der har normal eller korrigeret-til-normal vision og er indfødte talere af det testede sprog, medmindre undersøgelsen omhandler specifikke forskningsspørgsmål vedrørende andet sprog erhvervelse.
- For raske kontrolgrupper, udelukke deltagere, der har en historie af neurologiske eller psykiske lidelser.
- For de kliniske grupper, rekruttere personer, der har været diagnosticeret med Alzheimers sygdom15 eller mild kognitiv svækkelse16,17. Rekruttere kun personer, der er i stand til at give informeret samtykke, i henhold til klinikeren dom. For præcise sammenligninger, matche aldersgruppe og gennemsnit af de kliniske grupper med, at de raske ældre voksne deltagere.
- Mål sværhedsgraden af demens, for eksempel ved hjælp af den kliniske demens rating Scale18 (CdR, 0 = ingen demens, 0,5 = meget mild, 1 = mild, 2 = moderat, 3 = svær). Ekskluder patienter med svær demens, fordi opgaven kan være for svært for dem. Medtag ikke deltagere, der synes ude af stand til at følge instruktionerne, på trods af deres alvorlighed.
2. stimulus konstruktion
- Vælg ord stimuli til at løse specifikke forskningsspørgsmål, for eksempel, om semantiske eller ortografiske/fonologiske variabler har en stærkere indflydelse på ordet anerkendelse19 i forskellige populationer.
- Beregn fra et corpus20 eller hente fra en database21 variabler, der afspejler semantiske, fonologiske, og ortografiske karakteristika af stimuli, så de kan bruges enten som teoretisk motiverede prædiktorer forklarer ord reaktionstider for genkendelse eller som kontrol variabler. Brug også deltagernes køn, alder og års uddannelse som forklarende eller kontrol variabler.
- Ud over de rigtige ord, bygge et sæt af matchede pseudo-ord. Pseudo-ord ligner rigtige ord i, at de er i overensstemmelse med sprogets normer for placering af visse bogstaver i visse ord positioner (fonotaktik). For at kontrollere for fonotaktikker, skabe pseudo-ord, for eksempel ved tilfældigt at rekombinere de første stavelser fra nogle ord med den anden stavelser fra andre ord. Fjern eventuelle elementer, der er sket for at producere et rigtigt ord gennem denne rekombination og alle de elementer, der krænker den fonotaktik af sproget.
- Matche pseudo-ord med de mål ord i form af ordet længde i bogstaver og bigram frekvens, som er det gennemsnitlige antal gange, at alle kombinationer af to efterfølgende bogstaver forekommer i en tekst Corpus. Disse variabler har vist sig at påvirke genkendelses hastigheden.
Bemærk: manipulation af pseudo-ord ratio (f. eks antallet af rigtige ord i forhold til antallet af pseudo-ord) kan føre til forskellige resultater, med svar på de mindre sandsynlige stimuli er langsommere og mindre præcis22. - Tilføj et sæt af virkelige ord fyldstoffer for at mindske deltagernes forventede levetid for den næste stimulus, der tilhører en bestemt type (f. eks en vis bøjnings klasse). Vælg dem, for eksempel fra forskellige ordkategorier (f. eks bøjnings klasser) end dem, der anvendes til at konstruere stimuli i henhold til de særlige kendetegn ved interesse.
3. eksperimentel udformning
- Præsenter bogstav strengene vandret, en ad gangen, og subtil en visuel vinkel på ca. 5 °.
- Begynd eksperimentet med en øvelsessession, der indeholder et lille antal forsøg, hvor ét ord præsenteres pr. prøve (f. eks. 15 ord og 15 pseudo-ord, der ikke er inkluderet i det faktiske eksperiment). Dette er for at gøre deltageren fortrolig med opgave-og responsknapperne. Hvis deltageren ikke svarer nøjagtigt ("ja"-knappen for rigtige ord og knappen "nej" for pseudo-ord) under øvelses forsøgene, skal du give feedback og gentage øvelsessessionen.
- Opdel eksperimentet i blokke, og giv korte pauser efter øvelsessessionen og mellem blokkene. Disse pauser giver deltagerne mulighed for at hvile deres øjne og vil reducere træthed.
- Start hver ny blok med et par filler elementer, der ikke vil blive inkluderet i analysen (f. eks fælles navnetal såsom hund, søster, år), fordi de første par forsøg af blokken er undertiden ignoreret af deltagere med MCI eller ad.
- Præsenter forsøgs elementerne i tilfældig rækkefølge for hver deltager.
- Begynd hvert forsøg med et fikserings mærke (f. eks. et +-tegn), der vises i midten af skærmen for 500 MS, efterfulgt af en blank skærm for en fast (f. eks. 500 MS) eller variabel mængde tid (f. eks. 500-800 MS).
- Umiddelbart efter den tomme skærm, præsentere en bogstav streng (ord eller pseudo-ord) for 1.500 MS eller indtil deltageren reagerer.
- Efter et svar er foretaget, eller efter 1.500 MS fra starten af ordet (hvad der kommer først), følge igen med en blank skærm, indtil 3000 MS er gået fra begyndelsen af retssagen.
- Gentag denne sekvens, indtil alle emnerne i eksperimentet er blevet præsenteret.
Bemærk: tiderne for forsinkelsen mellem stimuli tjene som et eksempel. Hvis du ændrer dem, kan det påvirke resultat mønstret.
4. eksperimentel procedure
- Anbring deltageren foran en computerskærm med en visnings afstand på ca. 80 cm i et normalt oplyst rum.
- Bed deltageren om så hurtigt og præcist som muligt at afgøre, om bogstav strengen på skærmen er et rigtigt ord eller ej, ved at trykke på en af to tilsvarende knapper med deres dominerende hånd (f. eks. pegefingeren for rigtige ord og den midterste finger for pseudo-ord) eller ved at bruge pegefingeren på hver hånd.
Bemærk: deltagerne forsøger at optimere deres præstation i overensstemmelse med instruktionerne. Således vil deres svar blive påvirket af at fremhæve hastighed over nøjagtighed eller vice versa23.
5. analyse af data med en blandet effekt model i R
Bemærk: mange forskellige statistiske programmer kan bruges til at udføre analysen. I dette afsnit beskrives trin til analyse af data i R24.
- Få reaktionstid (RT) målt i millisekunder for hvert forsøg fra præsentations programmets outputfil (f. eks. E-Studio-software).
- Installer pakkerne lme428 og lmertest29. Vedhæft pakker med funktions biblioteket eller Kræv.
- Importer data til R ved hjælp af f. eks.
- Kontrollér behovet for transformation, fx med boxcox -funktionen fra masse pakke25, da distributionen af rt-data typisk er meget skæv.
> bibliotek (Mass)
> boxcox (RT ~ Expnanatory_variable, data = yourdata)
Bemærk: grafen, der produceres af boxcox -funktionen, viser et 95% konfidensinterval for boxcox-Transformations parameteren. Afhængigt af lambda-værdierne i dette interval kan den nødvendige transformation vælges, fx λ = − 1 (inverteret transformation), λ = 0 (logaritmisk transformation), λ = 1/2 (kvadratrod-omdannelse) og λ = 1/3 (kube-rodtransformation).- Transformere RT-værdierne ved hjælp af omvendte transformerede RTs (f. eks.,-1000/RT) eller binære logaritmer af RTs (f. eks. LOG2 (RT)), da disse transformationer har tendens til at give mere normale-lignende fordelinger for reaktionstider i leksikale beslutnings eksperimenter end rå RTs af 26.
- Alternativt kan du bruge statistiske metoder, der ikke er afhængige af normale distributioner, og som passer til robuste lineære modeller med blandede effekter og giver estimater for, hvilke outliers eller andre forureningskilder der har ringe indflydelse27.
- Da reaktionstid analyser typisk udføres på præcise svar, udelukke forsøg, hvor deltagernes respons var ukorrekt (et svar på "nej" til rigtige ord) samt udeladelser.
- Også udelukke svar på pseudo-ord og fyldstoffer, medmindre der er specifikke hypoteser om dem.
- Ekskluder forsøg med responstider hurtigere end 300 MS, fordi de typisk indikerer, at deltageren var for sent reagerer på en tidligere stimulus, eller at han eller hun ved et uheld trykkede på respons knappen, før du læser stimulus.
- Byg en grundlæggende lineær blandet effekt model, der identificerer rt som resultatmåling og emne, elementog prøveversion som tilfældige effekter. Bemærk, at variabler, hvis værdier tilfældigt udtages fra et større sæt (population) af værdier, medtages som tilfældige effekter og variabler med et lille antal niveauer, eller for hvilke alle niveauer er inkluderet i dataene, er faste effekter. Tilføj de tilfældige effekter i formularen (1 | Emne) for at anslå tilfældige aflytter for hver af de tilfældige effekter.
> G1 = lmer (RT ~ (1 | Emne) + (1 | Vare) + (1 | Trial), data = yourdata)
> Resumé (G1) - Tilføj forklarende variabler i en teoretisk motiveret rækkefølge. For eksempel, tilføje ord ' basis frekvens som en fast effekt. Nogle variabler, såsom base eller overflade frekvens, har Zipfian distributioner, så Indsæt dem i modellen med en transformation, der resulterer i en mere Gaussisk fordeling form, fx logaritmisk transformation.
> G2 = lmer (rt ~ log (BaseFrequency + 1) + (1 | Emne) + (1 | Vare) + (1 | Trial), data = yourdata)
> Resumé (G2) - Kontroller med ANOVA -funktionen, hvis tilføjelse af hver enkelt prædiktor (f. eks. Basefrequency) væsentligt forbedrede modellens forudsigende effekt sammenlignet med en model uden prædiktoren.
> ANOVA (G1, G2)- Hvis der ikke er nogen væsentlig forskel i pasformen af den nye model over den enklere model, foretrækker den enkleste model med færre forudsigere. Kontroller også Akaike information Criterion (AIC)30 i hver model. AIC er et mål for, hvor godt statistiske modeller passer til en række data i henhold til maksimal sandsynlighed. Lavere værdier indikerer en bedre pasform til dataene31.
> AIC (G1); AIC (G2)
- Hvis der ikke er nogen væsentlig forskel i pasformen af den nye model over den enklere model, foretrækker den enkleste model med færre forudsigere. Kontroller også Akaike information Criterion (AIC)30 i hver model. AIC er et mål for, hvor godt statistiske modeller passer til en række data i henhold til maksimal sandsynlighed. Lavere værdier indikerer en bedre pasform til dataene31.
- Gentag trin 5,7. og 5,8. ved at tilføje andre forklarende variabler, f. eks nogle af dem, der er præsenteret i tabel 1, en efter en i en teoretisk motiveret rækkefølge og holde kun dem, der væsentligt forbedre den forudsigende effekt af modellen. Hvis der blev brugt asynkromet variabel stimulus debut, skal det medtages som en variabel med fast effekt i modellen.
- Kontroller, om der er teoretisk motiverede interaktioner mellem forudsigerne. For eksempel, tilføje en term af interaktion loggen af base Frequency efter alder.
> G3 = lmer (rt ~ log (BaseFrequency + 1) + alder + log (basefrequency + 1): alder + (1 | Emne) + (1 | Vare) + (1 | Trial), data = yourdata)
Bemærk: det er muligt, at en prædiktor er signifikant som et udtryk for interaktion med en anden variabel, men ikke signifikant som hoved prædiktoren. I dette tilfælde skal du ikke fjerne denne prædiktor fra modellen (Medtag det også som den vigtigste effekt). - Tilføj tilfældigt pister med tilfældige skråninger32 for forudsigere ved at inkludere "1 +" før variabelnavnet og derefter "| Emne ", fx (1 + log(basefrequency + 1) | Emne), fordi deltagernes svartider kan blive påvirket af ord ' leksikale karakteristika på forskellige måder.
Bemærk: Hvis der er mange kontinuerlige forudsigere, der tillader dem alle at have tilfældige skråninger er urealistisk, fordi tilfældige hældning modeller kræver store mængder data til præcist at estimere varianser og Kovarianser33,34. I tilfælde af at den maksimale model ikke konvergerer (med andre ord, med succes beregne), forenkle modellen33. Alternativt kan du implementere bayesiske versioner af multi level modellering35. - Kør analysen for hver deltagergruppe separat. Alternativt kan du køre en analyse af alle data, med gruppe som en fast-effekt-prædiktor, og derefter teste for en interaktion af gruppe med signifikante forudsigere.
> G4 = lmer (RT ~ log (BaseFrequency + 1) + Age + log (BaseFrequency + 1): alder + gruppe + log (BaseFrequency + 1): gruppe + (1 + log (BaseFrequency + 1) | Emne) + (1 | Vare) + (1 | Trial), data = yourdata) - For at fjerne indflydelsen af mulige outliers, udelukke datapunkter med absolut standardiserede residualer overstiger, fx 2,5 standardafvigelser26, og re-fit modellen med de nye data (yourdata2).
> yourdata2 = yourdata [ABS (Scale (Resid (G4))) < 2,5,]
> G5 = lmer (RT ~ log (BaseFrequency + 1) + alder + log (BaseFrequency + 1): alder + gruppe + log (BaseFrequency + 1): gruppe + (1 + log (BaseFrequency + 1) | Emne) + (1 | Vare) + (1 | Forsøg), data = yourdata2)
Bemærk: ikke alle ekstreme datapunkter er skadelige for modellen – kun dem, der har overdreven gearing over modellen. - I tilfælde af sonderende (data-drevet) analyse, brug baglæns trinvis regression: omfatter alle variabler i den indledende analyse og derefter fjerne ikke-væsentlige variabler fra modellen i en trin-for-trin mode. Alternativt kan du bruge den automatiske procedure til eliminering af ikke-signifikante præktorer med Step -funktionen, som leveres af pakken lmertest29.
> Step (G4)
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Tabel 1 viser en liste over variabler, der er indhentet fra tre forskellige kilder (et corpus, en ordbog, og pilot test af test elementer), der indgår i analysen som fast effekt-indikatorer. Mange af disse variabler er tidligere blevet rapporteret at påvirke ordgenkendelse hastighed.
| Corpus: | |
| Basis frekvens | antallet af gange et ord vises i Corpus i alle dets forskellige former (f. eks. børn og børn) |
| Bigram frekvens | det gennemsnitlige antal gange, som alle kombinationer af to efterfølgende bogstaver forekommer i Corpus |
| Morfologiske familiestørrelse | antallet af afledte og sammensatte ord, der deler en Morfem med substantiv |
| Morfologiske familie frekvens | den opsummerede basis frekvens for alle morfologiske familiemedlemmer |
| Pseudo-morfologiske familiestørrelse | omfatter ikke kun "sande" morfologiske familiemedlemmer, men også ord, der efterligner morfologiske familiemedlemmer i deres ortografiske form, uanset om de er faktiske morfemer, og dermed repræsenterer ortografisk overlap, men ikke nødvendigvis semantisk overlapning |
| Pseudo-morfologiske familie frekvens | den opsummerede basis frekvens af alle pseudo-morfologiske familiemedlemmer |
| Overflade frekvens | det antal gange, et ord optræder i korpus i nøjagtig samme form (f. eks. barn). |
| Trigram frekvens | det gennemsnitlige antal gange, som alle kombinationer af tre efterfølgende bogstaver forekommer i Corpus |
| Ordbog: | |
| Hamming afstand af en | antallet af ord af samme længde, men kun afviger i et enkelt bogstav36 |
| Længde | antallet af bogstaver |
| Ortografiske kvarter tæthed | antallet af ord med samme længde, men kun afviger i det oprindelige bogstav37, 38 |
| Afprøvning af piloter: | Seksten deltagere angav på en seks-punkts skala (fra 0 til 5) deres estimater for hvert af målordene på følgende parametre. |
| Som korrekt navn | hvor ofte ordet ses som et rigtigt navn (f. eks. som et familienavn, som Baker)39 |
| Håndgribelighed | den direkthed, hvormed ord refererer til beton enheder40 |
| Fortrolighed rating | hvor velkendt ordet er |
| Imagelighed | den lethed og hastighed, hvormed ord fremkalde mentale billeder40 |
Tabel 1. De variabler, der indgår i analysen af blandede virkninger som fast effektindikatorer, opnået fra tre forskellige kilder (et corpus, en ordbog, og pilot afprøvning af test elementer).
Antallet af forklarende variabler kan være mindre eller større afhængigt af forskningsspørgsmålene og af tilgængeligheden af variablerne fra databaser, ordbøger eller korpora. Men, herunder et stort antal leksikale træk som prædiktorer kan føre til komplikationer i form af kollinearitet mellem forudsigere, når prædiktorer korrelerer med hinanden og dermed udøve lignende virkninger på resultatet foranstaltning. For eksempel kan beton og imagelighed af ord være meget korreleret. En antagelse i enhver lineær regressionsanalyse er, at prædiktor variablerne er uafhængige af hinanden. Men efterhånden som flere variabler føjes til modellen, øges risikoen for, at nogle af variablerne ikke er uafhængige af hinanden. Jo højere korrelationen mellem variablerne, jo mere skadelig kan denne kollinearitet være for modellen41. En potentiel konsekvens af kollinearitet er, at signifikansniveauet for nogle indikatorer kan være falsk.
For at undgå virkningen af kollinearitet mellem forudsigere, bør antallet af forudsigere reduceres. Hvis to prædiktorer viser kollinearitet, skal kun én af dem medtages i modellen. Men hvis mere end to prædiktorer viser kollinearitet, så udelukke alle undtagen én ville føre til et tab af varians forklaret. På den ene side kan en forsker reducere antallet af forklarende variabler allerede i det eksperimentelle design a priori, så kun dem, der er hypotese drevet (teoretisk motiveret), og at tillade forskeren til at afprøve hypoteser mellem forskellige populationer. På den anden side, nogle gange er der ingen eksisterende teori, og derfor er det rimeligt at bruge Principal komponent Analysis (PCA)41 at reducere antallet af forudsigere ved at kombinere forudsigere, der har lignende effekter i komponenter. I denne analyse var prædiktor rummet ortogonaliseret og de vigtigste komponenter i det nye rum blev anvendt som forudsigere (følgende trin er beskrevet her41 på side 118-126). En ulempe ved at bruge PCA er, at komponenterne undertiden gør det vanskeligt at adskille virkningerne af flere prædiktorer; de kan alle dukke op med stærke belastninger på den samme hovedbestanddel.
Vi har forvandlet alle leksikale prædiktorer til fem hovedkomponenter for at undersøge, hvordan ordgenkendelse hastighed kan være anderledes for yngre voksne og ældre voksne. Men kun to af dem var betydelige i de unge voksnes data (tabel 3): PC1 og PC4. Tre hovedkomponenter (PC'ere) var signifikante indikatorer i modellen for ældre kontrol (tabel 4), MCI (tabel 5) og personer med ad (tabel 6).
| PC2 | |
| Bigram freq. | -0,390 af |
| Hamming afstand af en | -0,350 af |
| Sidste trigram freq. | -0,330 af |
| Neighborhood tæthed | -0,320 af |
| Længde | -0,226 af |
| Indledende trigram freq. | -0,224 af |
| Pseudo familiestørrelse (endelig) | -0,124 af |
| Pseudo familie freq. (Final) | -0,052 af |
| Familie freq. (forbindelser) | -0,042 af |
| Familiestørrelse (forbindelser) | -0,039 af |
| Familie freq. (afledte ord) | -0,036 af |
| Familiestørrelse (afledte ord) | -0,034 af |
| Surface freq. | -0,023 af |
| Base freq. | -0,008 af |
| Pseudo-familiestørrelse (Initial) | 0,070 af |
| Fortrolighed rating | 0,093 af |
| Som korrekt navn | 0,102 af |
| Pseudo-familie freq. (Initial) | 0,113 af |
| Håndgribelighed | 0,275 af |
| Imagelighed | 0,296 af |
| Pseudo-familiestørrelse (intern) | 0,296 af |
| Pseudo-familie freq. (intern) | 0,316 af |
Tabel 2. Rotations matrixen for PC2. De belastninger er den grad, som hver variabel bidrager til komponenten. Denne tabel er blevet ændret med tilladelse fra cortex3.
Tabel 2 præsenterer de leksikale variabler med deres belastninger på PC2. De stærkeste positive belastninger på PC2 var pseudo familiens størrelse og hyppighed for overlap i den interne position. De stærkeste negative belastninger var bigram frekvens, Hamming afstand af en, sidste trigram frekvens, og ortografiske kvarter tæthed. Da alle disse variabler primært er form-baseret snarere end mening-baseret, er PC2 fortolket som afspejler indflydelsen af form-baserede aspekter af et ord om ordet anerkendelse hastighed.
Tabel 3 viser resultaterne af analysen af blandede virkninger for unge voksne (31 deltagere). Da PC2 ikke var en signifikant indikator for de unge voksnes responstider (Se tabel 3), tyder dette på, at disse formularbaserede variabler har mindre indflydelse på de unge voksnes reaktionstider sammenlignet med ældre voksne, herunder dem med ad eller MCI .
| Faste effekter | Skøn | Std. fejl | t-værdi | p-værdi |
| Opfange | -1,31 af | 0,05 af | -26,36 af | < 0,001 |
| Af allomorphs | -0,034 af | 0,015 af | -2,3 af | 0,024 af |
| PC1 | -0,021 af | 0,004 af | -5,179 af | < 0,001 |
| PC4 | -0,042 af | 0,008 af | -5,224 af | < 0,001 |
| Tilfældige effekter | ||||
| Grupper | Navn | Varians | Std. dev. | Corr |
| Element | Opfange | 0,009 af | 0,095 af | |
| Emne | Opfange | 0,032 af | 0,179 af | |
| PC1 | 4.765 e-05 | 0,007 af | 0,08 af | |
| Resterende | 0,005 af | 0,235 af | ||
| Antal Obs. 2862; Punkt, 99; Emne, 31 | ||||
Tabel 3. Anslåede koefficienter, standardfejl, og t-og p-værdier for de blandede modeller monteret på respons latencer fremkaldt for rigtige ord for unge voksne. Denne tabel er blevet ændret med tilladelse fra cortex3.
Estimatet for en variabel med fast effekt kan fortolkes som det beløb, hvormed den afhængige variabel (RT) forøges eller formindskes, hvis værdien af denne faste effekt ændres. Hvis estimatet er negativt, betyder det, at variablen korrelerer negativt med reaktionstiderne (jo højere variablen er, jo mindre (hurtigere) reaktionstiderne). T-værdien skal typisk være mindre end-2 eller større end 2, for at forudlæggeren kan være signifikant.
Tabel 4, tabel 5og tabel 6 viser resultaterne af analysen af de blandede virkninger for ældre kontroller (17 deltagere), personer med MCI (24 deltagere) og personer med ad (21 deltagere).
En interessant forskel mellem de tre ældre grupper opstod: uddannelse betydeligt forudsagt hastighed af ord anerkendelse i ældre kontrol (tabel 4; skønnet for uddannelse er negativt, hvilket betyder, at flere års uddannelse blev forbundet med hurtigere reaktionstider) og personer med MCI (tabel 5), men ikke hos personer med ad (tabel 6; Uddannelse blev droppet fra modellen, da det ikke var en signifikant forudsigelse), selv om der ikke var nogen åbenlys forskel i variabiliteten af års uddannelse blandt disse grupper (AD: gennemsnit 10,8 år, SD 4,2, Range 5-19; MCI: gennemsnit 10,4 år, SD 3,5, rækkevidde 6-17; ældre kontrol: gennemsnitlige 13,7 år, SD 3,7, rækkevidde 8-20).
| Faste effekter | Skøn | Std. fejl | t-værdi | p-værdi |
| Opfange | -0,72 af | 0,157 af | -4,574 af | < 0,001 |
| Af allomorphs | -0,022 af | 0,01 af | -2,14 af | 0,035 af |
| PC1 | -0,011 af | 0,003 af | -4,122 af | < 0,001 |
| PC2 | -0,011 af | 0,005 af | -2,223 af | 0,029 af |
| PC4 | -0,02 af | 0,006 af | -3,687 af | < 0,001 |
| Uddannelse | -0,024 af | 0,011 af | -2,237 af | 0,041 af |
| Tilfældige effekter | ||||
| Grupper | Navn | Varians | Std. dev. | |
| Element | Opfange | 0,003 af | 0,057 af | |
| Emne | Opfange | 0,026 af | 0,16 af | |
| Resterende | 0,033 af | 0,181 af | ||
| Antal Obs. 1595; Punkt, 99; Emne, 17 | ||||
Tabel 4. Anslåede koefficienter, standardfejl, og t-og p-værdier for de blandede modeller monteret på respons latencer fremkaldt for rigtige ord for ældre kontrol. Denne tabel er blevet ændret med tilladelse fra cortex3.
| Faste effekter | Skøn | Std. fejl | t-værdi | p-værdi |
| Opfange | -0,562 af | 0,114 af | -4,922 af | < 0,001 |
| PC1 | -0,009 af | 0,003 af | -3,218 af | 0,002 af |
| PC2 | -0,013 af | 0,005 af | -2,643 af | 0,01 af |
| PC4 | -0,018 af | 0,006 af | -3,078 af | 0,003 af |
| Uddannelse | -0,039 af | 0,01 af | -3,708 af | 0,001 af |
| Tilfældige effekter | ||||
| Grupper | Navn | Varians | Std. dev. | |
| Element | Opfange | 0,003 af | 0,056 af | |
| Emne | Opfange | 0,03 af | 0,174 af | |
| Resterende | 0,061 af | 0,248 af | ||
| Antal Obs. 2227; Punkt, 99; Emne, 24 | ||||
Tabel 5. Anslåede koefficienter, standardfejl og t-og p-værdier for de blandede modeller, der er monteret på de svar-latencer, der er fremkaldt for rigtige ord for personer med MCI. Denne tabel er blevet ændret med tilladelse fra cortex3.
| Faste effekter | Skøn | Std. fejl | t-værdi | p-værdi |
| Opfange | -0,876 af | 0,051 af | -17,017 af | < 0,001 |
| Af allomorphs | -0,018 af | 0,009 af | -2,008 af | 0,048 af |
| PC1 | -0,011 af | 0,003 af | -4,097 af | < 0,001 |
| PC2 | -0,011 af | 0,004 af | -2,718 af | 0,008 af |
| PC4 | -0,018 af | 0,005 af | -3,751 af | < 0,001 |
| Tilfældige effekter | ||||
| Grupper | Navn | Varians | Std. dev. | Corr |
| Retssag | Opfange | 0,001 af | 0,034 af | |
| Element | Opfange | 0,002 af | 0,049 af | |
| Emne | Opfange | 0,045 af | 0,212 af | |
| PC1 | 4.138 e-05 | 0,006 af | 0,83 af | |
| Resterende | 0,026 af | 0,162 af | ||
| Antal Obs. 1879; Punkt, 99; Emne, 21 | ||||
Tabel 6. Anslåede koefficienter, standardfejl og t-og p-værdier for de blandede modeller, der er monteret på de svar-latencer, der er fremkaldt for rigtige ord for personer med AD. Denne tabel er blevet ændret med tilladelse fra cortex3.
Undersøgelsen rapporterede her rettet et yderligere spørgsmål: om antallet af Stem allomorphs forbundet med et ord påvirker hastigheden af ordet anerkendelse42,43. Stem allomorphs er forskellige former af et ord stamme på tværs af forskellige sproglige sammenhænge. For eksempel, på engelsk, fod har to stængel allomorphs, fod og fødder. Med andre ord, ordet stilk ændringer afhængigt af, om det er i ental eller flertalsform. Den undersøgelse, der er beskrevet her, testede højttalere finsk, et sprog, der har en hel del mere kompleksitet i sin stængel ændringer i forhold til engelsk. Ord med større stængel allomorfi (dvs. ord med flere ændringer i stængerne) fremkaldte hurtigere reaktionstider i alle grupper (tabel 3, tabel 4og tabel 6; skønnene over antallet af allomorphs var negative, hvilket betyder, at højere antallet af allomorpher et ord havde, jo hurtigere reaktionstider det fremkaldte) undtagen MCI-gruppen (tabel 5; antallet af allomorphs var ikke en signifikant indikator og blev derfor droppet fra modellen).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ved at bruge en simpel sprog opgave, der ikke kræver sprog produktion, undersøgte den foreliggende undersøgelse virkningen af forskellige leksikale variabler på ordgenkendelse hos neurologisk raske yngre og ældre voksne samt hos personer med Alzheimers sygdom eller mild kognitiv svækkelse. Den aldersklasse, der anvendes til rekruttering af "ældre voksne", kan afhænge af de specifikke forskningsinteresser. dog bør intervallet for gruppen af raske ældre matche så tæt som muligt med aldersintervallet og fordelingen for personer med MCI eller AD, der er rekrutteret til samme studie.
For at undgå kollinearitet mellem forudsigerne blev de leksikale variabler ortogonaliserede i hovedkomponenterne og føjet til modellerne med blandede effekter, hvor reaktionstiderne fungerede som den afhængige variabel. Kombinationen af et simpelt leksikisk beslutnings eksperiment og en regressionsanalyse med blandede virkninger førte til den nye konstatering af, at de sproglige vanskeligheder for patienter med AD kan tilskrives ikke blot ændringer i det semantiske system, men også en øget afhængighed på ordform. Interessant, et lignende mønster blev fundet for mennesker med mild kognitiv svækkelse og kognitivt raske ældre. Dette tyder på, at en øget afhængighed af formularbaserede aspekter af sprogbehandling kan være en del af en fælles aldersrelateret ændring i skriftlig ordgenkendelse.
I et faktorialt design, forskere traditionelt oprette to eller flere sæt af ord, der adskiller sig efter den variable af interesse og derefter matche disse sæt af ord på en række andre leksikale egenskaber, der kan påvirke behandlingshastigheden. Antagelsen er, at enhver adfærds forskel opnået mellem disse to sæt ord bør tilskrives den manipulerede (dvs., uovertruffen) variabel. Et problem med denne type design er, at det er meget vanskeligt at matche sæt af ord på mere end et par variabler. Et andet problem er, at der kan være nogle potentielt betydelige variabler, at ordsættene ikke blev matchet på eller ikke kunne matches på af en række forskellige årsager. Det factoriske design behandler også kontinuerlige fænomener, som om de er dikotomøse faktorer. Brugen af blandede effekter modeller til statistisk analyse af de adfærdsmæssige data tillader forskeren til at omfatte potentielt vigtige leksikale variabler som forklarende variabler uden behov for at matche ord eller lister over ord i henhold til disse variabler. I en model med blandede effekter tilføjes variablerne (deltagerkode/-nummer), element (eksperimentelle stimuli) og Trial (forsøgs nummer) som tilfældige effekter. De tilfældige aflyteringer blev inkluderet, fordi det antages, at varierer i deres samlede reaktionstider (dvs., nogle deltagere er naturligt langsommere eller hurtigere over hele brættet)
Denne metodologi kan anvendes på andre typer spørgsmål og på andre befolkningsgrupper, fx flersprogede eller enkeltpersoner med afasi. For den tidligere gruppe kan sprog behandlingen være forskellig fra monolinguals, så denne variabel bør overvejes, hvis der rekrutteres en blandet sprog befolkning, enten ved at begrænse rekrutteringen til én type gruppe eller ved at sammenligne resultater senere for at afgøre, om sprog baggrund påvirkede resultaterne.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Vi takker Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen og Hilkka Soininen for deres bidrag til den dataindsamling og-behandling, der rapporteres her. Dataindsamlingen blev støttet af VPH demens Research aktiveret af EU, tilskudsaftale nr. 601055.
Materials
| Name | Company | Catalog Number | Comments |
| E-Prime | Psychology Software Tools | version 2.0.10.356. | |
| PC with Windows and Keyboard | |||
| R | R Foundation for Statistical Computing | R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/. |
References
- Bybee, J. From Usage to Grammar: The Mind's Response to Repetition. Language. 82 (4), 711-733 (2006).
- Oldfield, R. C., Wingfield, A.
- 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).
- Milin, P., Feldman, L. B., Ramscar, M., Hendrix, P., Baayen, R. H.
- 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).
- 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).
- Ossher, L., Flegal, K. E., Lustig, C. Everyday memory errors in older adults. Aging, Neuropsychology, and Cognition. 20, 220-242 (2013).
- 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).
- 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).
- Cuetos, F., Arce, N., Martínez, C. Word recognition in Alzheimers’s disease: Effects of semantic degeneration. Journal of Neuropsychology. 11, 26-39 (2015).
- 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).
- Obler, L. K. Language and brain dysfunction in dementia. Language functions and brain organization. Segalowitz, S. , Academic Press. New York, NY. 267-282 (1983).
- 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).
- Obler, L. K., Gjerlow, K. Language and the brain. , Cambridge University Press. Cambridge. (1999).
- 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).
- 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).
- 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).
- 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).
- 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).
- Brants, T., Franz, A. Web 1T 5-gram, version 1. , Linguistic Data Consortium. Philadelphia. (2006).
- Baayen, R. H., Piepenbrock, R., Gulikers, L. The CELEX lexical database (CD-ROM). , Linguistic Data Consortium. Philadelphia, PA. (1995).
- 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).
- 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).
- R Core Team. R: A language and environment for statistical computing. , R Foundation for Statistical Computing. Vienna, Austria. (2018).
- Venables, W. N., Ripley, B. D. Modern applied statistics with S. , 4th ed, Springer. New York, NY. (2002).
- Baayen, R. H., Milin, P.
- Koller, M. robustlmm: An R package for robust estimation of linear mixed-effects models. Journal of Statistical Software. 75 (6), 1-24 (2016).
- Bates, D., Mächler, M., Bolker, B., Walker, S. Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software. 67, 1-48 (2015).
- 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).
- 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).
- Sakamoto, Y., Ishiguro, M., Kitagawa, G. Akaike Information Criterion Statistics. , D. Reidel Publishing Company. (1986).
- 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).
- Bates, D., Kliegl, R., Vasishth, S., Baayen, H.
- Harrison, X. A., et al. Brief introduction to mixed effects modelling and multi-model inference in ecology. PeerJ. 6, 1-32 (2018).
- 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).
- 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).
- 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).
- 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).
- Cohen, G. Recognition and retrieval of proper names: Age differences in the fan effect. European Journal of Cognitive Psychology. 2 (3), 193-204 (1990).
- Kemmerer, D. Cognitive neuroscience of language. , Psychology Press. New York. (2015).
- Baayen, R. H. Analyzing linguistic data: A practical introduction to statistics using R. , Cambridge University Press. Cambridge. (2008).
- 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).
- Nikolaev, A., et al. Behavioural and ERP effects of paradigm complexity on visual word recognition. Language, Cognition and Neuroscience. 10, 1295-1310 (2014).
