Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

के साथ और मनोभ्रंश या हल्के संज्ञानात्मक दोष के बिना वयस्कों में लिखित शब्द मान्यता का अध्ययन करने के लिए Lexical निर्णय कार्य

Published: June 25, 2019 doi: 10.3791/59753
Automatic Translation
1, 2,3, 4, 5,6
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

Summary

यह लेख वर्णन करता है कि कैसे एक सरल शाब्दिक निर्णय प्रयोग को लागू करने के लिए स्नायविक रूप से स्वस्थ प्रतिभागियों में और मनोभ्रंश और संज्ञानात्मक गिरावट के साथ व्यक्तियों में लिखा शब्द मान्यता का आकलन करने के लिए. हम मुख्य घटक विश्लेषण (पीसीए) और मिश्रित प्रभाव मॉडलिंग का उपयोग करप्रतिक्रिया समय विश्लेषण का एक विस्तृत विवरण भी प्रदान करते हैं।

Abstract

पुराने वयस्कों युवा वयस्कों की तुलना में दृश्य वस्तुओं को पहचानने में धीमी हैं. एक ही पहचानने के लिए सच है कि एक पत्र स्ट्रिंग एक असली शब्द है. अल्जाइमर रोग (एडी) या हल्के संज्ञानात्मक दोष (एमसीआई) के साथ लोगों को बुजुर्ग नियंत्रण से लिखित शब्द मान्यता में भी लंबे समय तक प्रतिक्रियाओं का प्रदर्शन. उम्र बढ़ने और neurocognitive विकारों में धीमी मान्यता की दिशा में सामान्य प्रवृत्ति के बावजूद, शब्दों की कुछ विशेषताओं उम्र या neuropathology की परवाह किए बिना शब्द मान्यता की गति को प्रभावित (जैसे, उपयोग के एक शब्द की आवृत्ति). हम यहाँ एक सरल शाब्दिक निर्णय प्रयोग में शब्द मान्यता प्रतिक्रिया समय पर शाब्दिक विशेषताओं के प्रभाव की जांच के लिए एक प्रोटोकॉल प्रस्तुत युवा और बड़े वयस्कों और एमसीआई या विज्ञापन के साथ लोगों को प्रशासित. इस प्रयोग में, प्रतिभागियों को जल्दी और सही रूप में संभव के रूप में तय करने के लिए कहा जाता है कि क्या एक दिया पत्र स्ट्रिंग एक वास्तविक शब्द है या नहीं. हम मिश्रित-प्रभाव मॉडल और मुख्य घटक विश्लेषण का भी वर्णन करते हैं जिनका उपयोग विभिन्न प्रकार के शाब्दिक चरों या शब्द पहचान गति पर प्रतिभागियों की व्यक्तिगत विशेषताओं के प्रभाव का पता लगाने के लिए किया जा सकता है.

Introduction

शब्द एक अत्यधिक जुड़े नेटवर्क में मानसिक शब्दकोश में जमा हो जाती है. शब्दों के बीच कनेक्शन साझा गुणों को प्रतिबिंबित कर सकते हैं, जैसे अर्थ समानता (जैसे, कुत्ते और बिल्ली),समानता (कुत्ते और कोहरे) फार्म , या आम भाषा के उपयोग में लगातार सह घटना (जैसे, कुत्ते और पट्टा)। भाषा के संज्ञानात्मक सिद्धांतों, इस तरह के उपयोग आधारित सिद्धांत1के रूप में, तर्क है कि एक भाषा उपयोगकर्ता द्वारा एक शब्द के हर मुठभेड़ शब्द के मानसिक प्रतिनिधित्व पर एक प्रभाव है. उदाहरण सिद्धांत के अनुसार, एक शब्द के प्रतिनिधित्व में कई उदाहरण होते हैं, जो भाषा उपयोग के व्यक्तिगत टोकन से निर्मित होते हैं और जो किसी दी गई श्रेणी के लिए मौजूद परिवर्तनशीलता का प्रतिनिधित्व करते हैं। उपयोग की आवृत्ति2 एक उदाहरण1की शक्ति में योगदान करके स्मृति में प्रतिनिधित्व को प्रभावित करता है।

शब्द मान्यता की गति मानसिक शब्दकोश की विशेषताओं को प्रकट कर सकते हैं. शब्द मान्यता की गति को मापने के लिए एक सामान्य रूप से इस्तेमाल किया प्रयोगात्मक प्रतिमान शाब्दिक निर्णय कार्य है. इस कार्य में, प्रतिभागियों को एक मॉनिटर पर अक्षर स्ट्रिंग्स के साथ प्रस्तुत किया जाता है, एक समय में। वे स्क्रीन पर पत्र स्ट्रिंग एक असली शब्द है या नहीं इसी बटन दबाने से जितनी जल्दी हो सके तय करने के लिए निर्देश दिए हैं।

वास्तविक शब्दों के लिए प्रतिक्रिया समय की जांच करके, शोधकर्ताओं भाषा प्रसंस्करण के बारे में महत्वपूर्ण सवालों के एक नंबर पता कर सकते हैं. उदाहरण के लिए, पहचान जो कारकों मान्यता तेजी से मानसिक शब्दकोश की संरचना के बारे में hypotheses परीक्षण कर सकते हैं और इसकी वास्तुकला प्रकट करते हैं. इसके अलावा, प्रतिभागियों के विभिन्न समूहों में प्रदर्शन की तुलना हमें भाषा अनुभव के विभिन्न प्रकार के प्रभाव को समझने में मदद कर सकते हैं, या, उम्र बढ़ने या neurodegenerative रोगों के मामले में (जैसे, अल्जाइमर रोग), संज्ञानात्मक की भूमिका गिरावट.

कुछ कारक (उदा., उपयोग की आवृत्ति) अन्य कारकों की तुलना में शब्द पहचान पर अधिक प्रभाव दर्शाते हैं (उदा., शब्द लंबाई). आगे बढ़ने की उम्र के साथ, जिस तरह से लोग लिखित शब्दों को पहचानते हैं, वह3,4बदल सकता है . युवा वयस्कों के लिए एक शब्द के अर्थ (अर्थ आधारित) पहलुओं पर भारी भरोसा करते हैं, जैसे कि कितने यौगिकों (जैसे, बुलडॉग) या व्युत्पन्न शब्द (जैसे, कुत्ता) दोनों फार्म और अर्थ के पहलुओं को साझा करते हैं (इस मामले में, कुत्ता).। पुराने वयस्कों के लिए Word पहचान प्रपत्र-आधारित पहलुओं से अधिक प्रभावित प्रतीत होती है, जैसे कि वह आवृत्ति जो दो बाद के अक्षर भाषा में सह-होते हैं (उदाहरण के लिए, अक्षर संयोजन एसटी संयोजन की तुलना में अंग्रेज़ी शब्दों में अधिक बार होता है एस.के.

विभिन्न समूहों में शब्द पहचान की गति को प्रभावित करने वाले कारकों का निर्धारण करने के लिए, शोधकर्ता उद्गम उद्गम सेट में कुछ चरों में हेरफेर कर सकता है और फिर शब्द पहचान की गति की भविष्यवाणी करने के लिए इन चरों की शक्ति का परीक्षण कर सकता है। उदाहरण के लिए, यह परीक्षण करने के लिए कि शब्द पहचान अर्थ या प्रपत्र-आधारित कारकों द्वारा संचालित है, उत्तेजना सेट में ऐसे चर शामिल होने चाहिए जो मानसिक शब्दकोश में अपने अर्थ पड़ोसियों के लिए एक शब्द की कनेक्टिविटी की डिग्री को प्रतिबिंबित करते हैं या अन्य शब्दों से इसकी कनेक्टिविटी कि अपने फार्म का हिस्सा हिस्सा है.

इस विधि शब्द मान्यता की गति युवा और बड़े वयस्कों में और अल्जाइमर रोग के साथ व्यक्तियों में विभिन्न कारकों से प्रभावित है कि क्या जांच करने के लिए वर्तमान अध्ययन में इस्तेमाल किया गया था (एडी) या हल्के संज्ञानात्मक हानि (एमसीआई)3. यहाँ वर्णित विधि दृश्य शब्द मान्यता पर आधारित है, लेकिन श्रवण मोडल के लिए अनुकूलित किया जा सकता है. तथापि, कुछ चर जो किसी विशिष्ट दृश्य कोशीय निर्णय प्रयोग में अभिक्रिया समय के महत्वपूर्ण भविष्यवक्ता होते हैं, हो सकता है कि श्रवण कोशीय निर्णय में अनुक्रिया विलंबता की भविष्यवाणी न करें या जिनका विपरीत प्रभाव हो। उदाहरण के लिए, फोनोलॉजिकल पड़ोस इन दोतौर तरीकों 5: बड़े phonological पड़ोस के साथ शब्दों दृश्य शब्द मान्यता पर एक सुविधा प्रभाव प्रदर्शित भर में विपरीत प्रभाव पड़ता है, लेकिन लंबे समय तक प्रतिक्रिया latencys में परिणाम श्रवण शाब्दिक निर्णय6|

पुराने वयस्कों में शब्द खोज कठिनाइयों7 आम तौर पर अर्थ प्रतिनिधित्व8के टूटने के बजाय phonological शब्द फार्म तक पहुँचने में कठिनाई के लिए जिम्मेदार ठहराया गया है. तथापि , ई . अनुसंधान ने मुख्य रूप से अर्थ गिरावट 9,10,11,12,13,14पर ध्यान केंद्रित किया है . यह उलझन में कैसे अर्थ और orthographic कारकों के साथ और संज्ञानात्मक गिरावट के बिना उम्र बढ़ने में लिखित शब्दों की मान्यता को प्रभावित करने के लिए महत्वपूर्ण है. फार्म से संबंधित कारकों का प्रभाव युवा वयस्कों की तुलना में पुराने में अधिक स्पष्ट है, और यह एमसीआई या ई.3के साथ लोगों में महत्वपूर्ण रहता है। इस प्रकार, इस पद्धति से हमें विभिन्न आबादी में मानसिक शब्दकोश की सुविधाओं को उजागर करने और उम्र और न्यूरोपैथोलॉजी के साथ शब्दकोश के संगठन में परिवर्तन की पहचान करने में मदद मिल सकती है। न्यूरोपैथोलॉजी के साथ रोगियों का परीक्षण करते समय एक चिंता का विषय यह है कि उन्हें कार्य से संबंधित ज्ञान तक पहुंचने में कठिनाई हो सकती है। हालांकि, शाब्दिक निर्णय कार्य काम स्मृति या अन्य जटिल संज्ञानात्मक कौशल है कि कई रोगियों के साथ समस्याओं का प्रदर्शन पर कोई बोझ के साथ एक सरल काम है. इसे ई. और एमसीआई की आबादी के लिए उपयुक्त माना गया है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

प्रोटोकॉल उत्तरी साव (IRB00006251) के अस्पताल जिला की आचार समिति के दिशा निर्देशों का पालन करता है।

1. प्रतिभागी स्क्रीनिंग

  1. भर्ती युवा और पुराने वयस्कों, जो सामान्य या सही करने के लिए सामान्य दृष्टि है और भाषा का परीक्षण के देशी वक्ताओं रहे हैं जब तक अध्ययन दूसरी भाषा अधिग्रहण के बारे में विशिष्ट अनुसंधान सवालों के पते.
  2. स्वस्थ नियंत्रण समूहों के लिए, उन प्रतिभागियों को बाहर करें जिनके पास स्नायविक या मनोरोग विकारों का इतिहास है।
  3. नैदानिक समूहों के लिए, उन व्यक्तियों की भर्ती करें जिन्हें अल्जाइमर रोग 15 या हल्के संज्ञानात्मक हानि 16,17के साथ निदान किया गया है। केवल व्यक्तियों, जो सूचित सहमति देने में सक्षम हैं भर्ती, चिकित्सक के निर्णय के अनुसार. सटीक तुलना के लिए, आयु सीमा और स्वस्थ पुराने वयस्क प्रतिभागियों के साथ नैदानिक समूहों का मतलब मैच.
  4. डिमेंशिया की गंभीरता को मापें, उदाहरण के लिए, नैदानिक डिमेंशिया रेटिंग स्केल18 (CDR, 0$no dementia, 0.5"बहुत हल्के, 1"mild, 2"mmoderate, 3]गंभीर) का उपयोग कर। गंभीर मनोभ्रंश वाले रोगियों को छोड़ दें क्योंकि कार्य उनके लिए बहुत कठिन हो सकता है। उन प्रतिभागियों को शामिल न करें जो अपनी गंभीरता रेटिंग के बावजूद निर्देशों का पालन करने में असमर्थ लगते हैं.

2. उत्तेजना निर्माण

  1. विशिष्ट शोध प्रश्नों का समाधान करने के लिए शब्द उद्दीपकों का चयन करें, उदाहरण के लिए, क्या विभिन्न जनसंख्या में शब्द मान्यता19 पर अर्थीय या ऑर्थोग्राफिक/फोनोलॉजिकल चरों का एक मजबूत प्रभाव होता है।
  2. एक कोष से गणना20 या एक डेटाबेस से प्राप्त21 अर्थ, phonological, और उत्तेजनाओं के ऑर्थोग्राफिक विशेषताओं को दर्शाती चर ताकि वे या तो सैद्धांतिक रूप से प्रेरित शब्द समझा भविष्यवक्ताओं के रूप में इस्तेमाल किया जा सकता है मान्यता प्रतिक्रिया बार या नियंत्रण चर के रूप में. इसके अलावा, व्याख्यात्मक या नियंत्रण चर के रूप में प्रतिभागियों के लिंग, उम्र, और शिक्षा के वर्षों का उपयोग करें।
  3. असली शब्दों के अलावा, मिलान छद्म शब्दों का एक सेट का निर्माण. छद्म शब्द असली शब्दों के समान है कि वे कुछ शब्द पदों (phonotactics) में कुछ अक्षरों की नियुक्ति के लिए भाषा के मानदंडों के अनुरूप है. phonotactics के लिए नियंत्रित करने के लिए, छद्म शब्द बनाने के लिए, उदाहरण के लिए, बेतरतीब ढंग से दूसरे शब्दों से दूसरे अक्षरों के साथ कुछ शब्दों से पहले अक्षरrecombining द्वारा. किसी भी आइटम है कि इस पुनर्संयोजन और सभी आइटम है कि भाषा के phonotactics का उल्लंघन के माध्यम से एक वास्तविक शब्द का उत्पादन हुआ निकालें.
  4. अक्षरों और bigram आवृत्ति में शब्द लंबाई के संदर्भ में लक्ष्य शब्दों के साथ छद्म शब्दों का मिलान, जो समय की औसत संख्या है कि दो बाद के अक्षरों के सभी संयोजन एक पाठ कोष में होते हैं. इन चरों को मान्यता की गति को प्रभावित करने के लिए दिखाया गया है।
    नोट: छद्म शब्द अनुपात हेरफेर (जैसे, छद्म शब्दों की संख्या के सापेक्ष वास्तविक शब्दों की संख्या) अलग परिणाम के लिए नेतृत्व कर सकते हैं, कम संभावित उत्तेजनाओं धीमी और कम सटीक जा रहा है के जवाब के साथ22.
  5. एक निश्चित प्रकार (उदा., एक निश्चित रूप से एक निश्चित रूप से) से संबंधित अगले उत्तेजना के प्रतिभागी की प्रत्याशा को कम करने के लिए वास्तविक शब्द fillers का एक सेट जोड़ें। उदाहरण के लिए, उन्हें चुनें, ब्याज की विशेषताओं के अनुसार उत्तेजनाओं का निर्माण करने के लिए उपयोग किए जाने वाले विभिन्न शब्द श्रेणियों (उदाहरण के लिए, रूपात्मक वर्गों) से चुनें।

3. प्रायोगिक डिजाइन

  1. वर्तमान पत्र तार क्षैतिज, एक समय में एक, के बारे में 5 डिग्री के एक दृश्य कोण subtending.
  2. प्रयोग को अभ्यास सत्र के साथ शुरू करें, जिसमें परीक्षणों की एक छोटी संख्या शामिल होती है, जिसमें प्रति परीक्षण प्रस्तुत एक शब्द होता है (उदा., 15 शब्द और 15 छद्म शब्द वास्तविक प्रयोग में शामिल नहीं हैं). यह कार्य और प्रतिक्रिया बटन के साथ भागीदार परिचित करने के लिए है। यदि प्रतिभागी अभ्यास परीक्षणों के दौरान वास्तविक शब्दों के लिए सही ('हाँ' बटन और छद्म शब्दों के लिए 'नहीं' बटन) का जवाब नहीं दे रहा है, तो प्रतिक्रिया प्रदान करें और अभ्यास सत्र को फिर से करें.
  3. प्रयोग को ब्लॉक में विभाजित करें और अभ्यास सत्र के बाद और ब्लॉक के बीच छोटे ब्रेक दें। ये टूटता प्रतिभागियों को अपनी आंखों को आराम करने की अनुमति देते हैं और थकान को कम कर देंगे।
  4. विश्लेषण में शामिल नहीं किया जाएगा कि कुछ भराव आइटम के साथ प्रत्येक नए ब्लॉक शुरू (जैसे, कुत्तेके रूप में आम nouns , बहन, वर्ष)क्योंकि ब्लॉक के पहले कुछ परीक्षणों कभी कभी एमसीआई या विज्ञापन के साथ प्रतिभागियों द्वारा नजरअंदाज कर रहे हैं.
  5. प्रत्येक भागीदार के लिए एक यादृच्छिक क्रम में प्रयोगात्मक आइटम प्रस्तुत करें।
  6. 500 एमएस के लिए स्क्रीन के केंद्र में प्रदर्शित होने वाले निर्धारण चिह्न (उदा., एक + चिह्न) के साथ प्रत्येक परीक्षण शुरू करें, उसके बाद एक निश्चित (उदा., 500 ms) या चर राशि के लिए एक रिक्त स्क्रीन (उदा., 500-800 ms) दिखाई देता है.
  7. रिक्त स्क्रीन के तुरंत बाद, 1,500 एमएस के लिए या प्रतिभागी का जवाब देने तक एक अक्षर स्ट्रिंग (शब्द या छद्म शब्द) प्रस्तुत करें।
  8. एक प्रतिक्रिया के बाद किया जाता है या शब्द की शुरुआत से 1,500 एमएस के बाद (जो भी पहले आता है), एक खाली स्क्रीन के साथ फिर से पालन करें जब तक 3000 एमएस परीक्षण की शुरुआत से पारित कर दिया है.
  9. इस क्रम को तब तक दोहराएँ जब तक कि प्रयोग के सभी आइटम प्रस्तुत न कर दें.
    नोट: उत्तेजनाओं के बीच देरी के लिए टाइम्स एक उदाहरण के रूप में सेवा करते हैं. उन्हें बदलने के परिणामों के पैटर्न को प्रभावित कर सकते हैं.

4. प्रायोगिक प्रक्रिया

  1. प्रतिभागी को सामान्य रूप से जले हुए कमरे में लगभग 80 बउ की दृश्य दूरी पर कंप्यूटर मॉनीटर के सामने रखें।
  2. प्रतिभागी को निर्देश दें कि स्क्रीन पर अक्षर स्ट्रिंग एक वास्तविक शब्द है या नहीं, उनके प्रमुख हाथ से दो संबंधित बटन में से एक को दबाकर (उदाहरण के लिए, असली शब्दों के लिए तर्जनी और मध्यम उंगली के लिए) के रूप में जल्दी और सही निर्णय लेने के लिए। छद्म शब्द) या प्रत्येक हाथ की तर्जनी का उपयोग कर.
    नोट: प्रतिभागियों को निर्देशों के साथ लाइन में उनके प्रदर्शन ऑप्टिमाइज़ करने का प्रयास करें। इस प्रकार, उनकी प्रतिक्रियाओं सटीकता पर गति पर जोर देने से प्रभावित होगा या इसके विपरीत23.

5. आर में मिश्रित प्रभाव मॉडल के साथ डेटा का विश्लेषण करना

नोट: कई भिन्न सांख्यिकीय प्रोग्राम विश्लेषण करने के लिए उपयोग किया जा सकता है। यह अनुभाग R24में डेटा का विश्लेषण करने के लिए चरणों का वर्णन करता है।

  1. प्रस्तुति प्रोग्राम (उदा., ई-स्टूडियो सॉफ़्टवेयर) के आउटपुट फ़ाइल से प्रत्येक परीक्षण के लिए मिलीसेकंड में मापे गए प्रतिक्रिया समय (RT) प्राप्त करें।
  2. संकुल lme428 और lmerTest29स्थापित करें. समारोह पुस्तकालय के साथ संकुल संलग्न करें या की आवश्यकता है।
  3. R में डेटा आयात करके, उदा., read.table फ़ंक्शन का उपयोग करके.
  4. परिवर्तन के लिए की जरूरत की जाँच करें, उदाहरण के लिए, बड़े पैमाने पर पैकेज25से boxcox समारोह के साथ, के रूप में आरटी डेटा का वितरण आमतौर पर अत्यधिक विषम है.
    • पुस्तकालय (मास)
    ]gt; boxcox(RT [ Expnanatory]चर, डेटा ] yourdata)
    नोट: boxcox समारोह द्वारा उत्पादित ग्राफ boxcox परिवर्तन पैरामीटर के लिए एक 95% विश्वास अंतराल से पता चलता है. इस अंतराल के भीतर स्थित लैम्बडा मानों के आधार पर, आवश्यक रूपांतरण को चुना जा सकता है, उदा., र्ं 1 (विपरीत रूपांतरण), र्0 (लघुगणक रूपांतरण), ] 1ध2 (वर्ग मूल रूपांतरण), और र् 1ध (क्यूब रूट रूपांतरण)।
    1. उल्टे रूपांतरित RTs (उदाहरण के लिए, -1000/RT) या RTs के बाइनरी लघुगणक (उदाहरण के लिए, log2(RT)) का उपयोग कर आरटी मान ों को परिवर्तित करें क्योंकि इन परिवर्तनों कच्चे RTs की तुलना में शब्दकोश निर्णय प्रयोगों में प्रतिक्रिया समय के लिए अधिक सामान्य रूप से वितरण प्रदान करते हैं 26.
    2. वैकल्पिक रूप से, सांख्यिकीय विधियों का उपयोग करें जो सामान्य वितरणों पर भरोसा नहीं करते हैं औरमजबूत रैखिक मिश्रित-प्रभाव मॉडल ों को फिट करते हैं और अनुमान प्रदान करते हैं जिन पर बाहरी या संदूषण के अन्य स्रोतों का प्रभाव बहुत कम होता है।
  5. चूंकि प्रतिक्रिया समय विश्लेषण आम तौर पर सटीक प्रतिक्रियाओं पर आयोजित किए जाते हैं, उन परीक्षणों को बाहर नहीं करते हैं जिनमें प्रतिभागियों की प्रतिक्रिया गलत थी (वास्तविक शब्दों के लिए "नहीं" की प्रतिक्रिया) के साथ-साथ चूक भी।
    1. इसके अलावा, छद्म शब्दों और fillers के लिए प्रतिक्रियाओं को बाहर जब तक उनके बारे में विशिष्ट hypotheses हैं.
    2. प्रतिक्रिया समय के साथ परीक्षणों को बाहर 300 एमएस से तेजी से क्योंकि वे आम तौर पर संकेत मिलता है कि भागीदार बहुत देर से एक पिछले उत्तेजना का जवाब था या कि वह या वह गलती से उत्तेजना पढ़ने से पहले प्रतिक्रिया बटन दबाया.
  6. परिणाम माप और विषय,आइटम, और परीक्षण यादृच्छिक प्रभाव के रूप में आरटी की पहचान करता है कि एक बुनियादी रैखिक मिश्रित प्रभाव मॉडल बनाएँ. ध्यान दें कि वे चर जिनके मानों का यादृच्छिक रूप से एक बड़ा सेट (जनसंख्या) से नमूना लिया जाता है, उन्हें यादृच्छिक प्रभावों और स्तरों की एक छोटी संख्या के साथ चर के रूप में शामिल किया जाता है या जिनके लिए डेटा में सभी स्तरों को शामिल किया जाता है, निश्चित प्रभाव होते हैं। प्रपत्र में यादृच्छिक प्रभाव जोड़ें (1 ] विषय) यादृच्छिक प्रभाव से प्रत्येक के लिए यादृच्छिक अवरोधन का अनुमान लगाने के लिए.
    [gt; g1 ] lmer (RT ] (1 ] विषय) + (1 ] आइटम) + (1 ] परीक्षण), डेटा [ अपने डेटा)
    सारांश (g1)
  7. सैद्धांतिक रूप से प्रेरित क्रम में व्याख्यात्मक चर जोड़ें। उदाहरण के लिए, एक निश्चित प्रभाव के रूप में शब्दों की आधार आवृत्ति जोड़ें. कुछ चर, जैसे आधार या सतह आवृत्ति, ज़िपियन वितरण है, इसलिए उन्हें एक रूपांतरण है कि एक अधिक गाऊसी वितरण आकार में परिणाम के साथ मॉडल में डालें, जैसे, लघुगणकीय परिवर्तन.
    [gt; g2 ] lmer (RT ] लॉग (बेस आवृत्ति + 1) + (1 ] विषय) + (1 ] आइटम) + (1 ] परीक्षण), डेटा [ अपने डेटा)
    सारांश (g2)
  8. Anova समारोह के साथ की जाँच करें यदि प्रत्येक predictor जोड़ने (उदाहरण के लिए, BaseFrecurency)काफी भविष्यवक्ता के बिना एक मॉडल की तुलना में मॉडल की भविष्य कहनेवाला शक्ति में सुधार हुआ.
    और एनोवा (g1, g2)
    1. यदि सरल मॉडल पर नए मॉडल के फिट में कोई महत्वपूर्ण अंतर नहीं है, तो कम भविष्यवक्ताओं के साथ सरलतम मॉडल को प्राथमिकता दें। इसके अलावा, प्रत्येक मॉडल के Akaike सूचना मानदंड (AIC)30 की जाँच करें। AIC कितनी अच्छी तरह सांख्यिकीय मॉडल अधिकतम संभावना के अनुसार डेटा का एक सेट फिट का एक उपाय है. निम्न मान डेटा31के लिए बेहतर फ़िट दर्शाते हैं.
      एआईसी (g1); AIC (g2)
  9. चरण 5.7 दोहराएँ. और 5.8. अन्य व्याख्यात्मक चर जोड़कर, उदा., उनमें से कुछ जो तालिका 1में प्रस्तुत किए गए हैं, एक-एक करके सैद्धांतिक रूप से प्रेरित क्रम में और केवल उन्हीं को रखते हुए जो मॉडल की भविष्य कहनेवाली शक्ति में काफी सुधार करते हैं। यदि चर उद्दीपक आरंभ अतुल्यकाल का उपयोग किया गया था, तो इसे मॉडल में एक निश्चित प्रभाव चर के रूप में शामिल करें।
  10. भविष्यवक्ताओं के बीच सैद्धांतिक रूप से प्रेरित बातचीत के लिए जाँच करें. उदाहरण के लिए, सहभागिता का एक शब्द आयु के आधार आवृत्ति के लॉगजोड़ें.
    [gt; g3 ] lmer (RT ] लॉग (बेस फ्रेंक्यूरी + 1) + आयु + लॉग (बेस आवृत्ति + 1) : आयु + (1 ] विषय) + (1 ] आइटम) + (1 ] परीक्षण), डेटा [ अपने डेटा)
    नोट: यह संभव है कि एक predictor एक और चर के साथ बातचीत के एक शब्द के रूप में महत्वपूर्ण है, लेकिन मुख्य predictor के रूप में महत्वपूर्ण नहीं है. इस स्थिति में, इस भविष्यवक्ता को मॉडल से न निकालें (यह मुख्य प्रभाव के रूप में भी शामिल है).
  11. द्वारा-भागीदार यादृच्छिक ढलानों32 सहित द्वारा भविष्यवक्ताओं के लिए जोड़ें "1 +" चर नाम से पहले, तो "$ विषय", उदा., (1 + लॉग(BaseFrecurency + 1) | विषय),क्योंकि प्रतिभागियों की प्रतिक्रिया समय अलग अलग तरीकों से शब्दों की शाब्दिक विशेषताओं से प्रभावित हो सकता है.
    नोट: यदि कई सतत भविष्यवक्ताओं रहे हैं, उन सब यादृच्छिक ढलानों के लिए अनुमति अवास्तविक है क्योंकि यादृच्छिक ढलान मॉडल सही प्रसरण और covariances33,34का अनुमान लगाने के लिए डेटा की बड़ी मात्रा की आवश्यकता होती है। यदि अधिकतम मॉडल एकाग्र नहीं होता है (दूसरे शब्दों में, सफलतापूर्वक गणना), मॉडल33को सरल बनाएँ। वैकल्पिक रूप से, मल्टीलेवल मॉडलिंग35के Bayesian संस्करणों को लागू |
  12. प्रत्येक सहभागी समूह के लिए विश्लेषण अलग-अलग चलाएँ. वैकल्पिक रूप से, एक निश्चित प्रभाव predictor के रूप में समूह के साथ, सभी डेटा पर एक विश्लेषण चलाने के लिए, और उसके बाद महत्वपूर्ण भविष्यवक्ताओं द्वारा समूह की एक बातचीत के लिए परीक्षण.
    [gt; g4 ] lmer (RT ] लॉग (बेस आवृत्ति + 1) + आयु + लॉग (BaseFrecurency + 1) : आयु + समूह + लॉग (बेस आवृत्ति + 1) : समूह + (1 + लॉग (आधार आवृत्ति + 1) ] विषय) + (1 ] आइटम) + (1 ] परीक्षण), डेटा [ अपने डेटा)
  13. संभावित outliers के प्रभाव को दूर करने के लिए, से अधिक निरपेक्ष मानकीकृत अवशिष्ट के साथ डेटा अंक बाहर, उदा., 2.5 मानक विचलन26,और नए डेटा के साथ मॉडल फिर से फिट(yourdata2)।
    [gt; yourdata2 ] yourdata [abs(resid(g4)))
    [gt; g5 ] lmer (RT ] लॉग (बेस आवृत्ति + 1) + आयु + लॉग (BaseFrecurency + 1) : आयु + समूह + लॉग (बेस आवृत्ति + 1) : समूह + (1 + लॉग (बेस आवृत्ति +1) ] विषय) + (1 ] आइटम) + (1 ] परीक्षण), डेटा [ yourdata2)
    नोट: नहीं सभी चरम डेटा अंक मॉडल के लिए हानिकारक हैं - केवल उन है कि मॉडल पर अत्यधिक लाभ उठाने है.
  14. अन्वेषणात्मक (डेटा-चालित) विश्लेषण के मामले में, पिछड़े चरणवार प्रतिगमन का उपयोग करें: प्रारंभिक विश्लेषण में सभी चर शामिल करें और फिर चरण-दर-चरण फैशन में मॉडल से गैर-महत्वपूर्ण चर निकालें। वैकल्पिक रूप से, पैकेज lmerTest29द्वारा प्रदान की कदम समारोह के साथ गैर महत्वपूर्ण भविष्यवक्ताओं को नष्ट करने की स्वत: प्रक्रिया का उपयोग करें.
    • कदम (g4)

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

तालिका 1 तीन विभिन्न स्रोतों (परीक्षण आइटम्स का एक कोष, शब्दकोश, और पायलट परीक्षण) से प्राप्त किए गए चरों की सूची दिखाता है, जो विश्लेषण में निश्चित प्रभाव भविष्यवक्ताओं के रूप में शामिल हैं। इन चरों में से कई पहले शब्द पहचान की गति को प्रभावित करने के लिए रिपोर्ट किया गया है।

संग्रह:
बेस आवृत्ति कई बार एक शब्द अपने सभी विभिन्न रूपों में कोष में प्रकट होता है की संख्या (उदा., बच्चे और बच्चों)
बिगराम आवृत्ति दो बाद के अक्षरों के सभी संयोजनों के कोष में होने वाले समय की औसत संख्या
Morphological परिवार का आकार व्युत्पन्न और यौगिक शब्दों की संख्या जो संज्ञा के साथ एक morpheme साझा करते हैं
Morphological परिवार आवृत्ति सभी रूपात्मक परिवार के सदस्यों की समीमित आधार आवृत्ति
छद्म-रूपी परिवार का आकार न केवल "सच" रूपात्मक परिवार के सदस्यों को भी शामिल है, लेकिन यह भी शब्द है कि उनके ऑर्थोग्राफिक रूप में रूपात्मक परिवार के सदस्यों की नकल, चाहे या नहीं वे वास्तविक morphemes हैं, और इस प्रकार ऑर्थोग्राफिक ओवरलैप का प्रतिनिधित्व करता है, लेकिन जरूरी नहीं कि अर्थ ओवरलैप
छद्म-रूपी परिवार आवृत्ति सभी छद्म-रूपी परिवार के सदस्यों की समीबित आधार आवृत्ति
सतह आवृत्ति एक शब्द वास्तव में एक ही रूप में कोष में प्रकट होता है की संख्या (उदा. बच्चे).
त्रिग्राम आवृत्ति तीन बाद के अक्षरों के सभी संयोजनों के कोष में होने वाले समय की औसत संख्या
शब्दकोश:
एक की हैमिंग दूरी एक ही लंबाई के शब्दों की संख्या लेकिन केवल किसी भी एक अक्षर36 में भिन्न
लंबाई अक्षरों की संख्या
ऑर्थोग्राफिक पड़ोस घनत्व एक ही लंबाई के साथ शब्दों की संख्या लेकिन केवल प्रारंभिक पत्र37,38 में भिन्न
पायलट परीक्षण: सोलह प्रतिभागियों को एक छह सूत्री पैमाने पर संकेत दिया (से 0 में 5) निम्नलिखित मापदंडों पर लक्ष्य शब्दों में से प्रत्येक के लिए अपने अनुमान.
उचित नाम के रूप में कितनी बार शब्द एक उचित नाम के रूप में देखा जाता है (जैसे, एक परिवार के नाम के रूप में, बेकर की तरह)39
कंक्रीटता प्रत्यक्षता जिसके साथ शब्द ठोस संस्थाओं को संदर्भित करतेहैं 40
परिचित रेटिंग शब्द कितना परिचित है
छविीयता आसानी और गति जिसके साथ शब्द मानसिक छवियों को प्रकाश में लाना40

तालिका 1. तीन अलग-अलग स्रोतों (एक कोष, एक शब्दकोश, और परीक्षण मदों के पायलट परीक्षण) से प्राप्त निश्चित प्रभाव भविष्यवक्ताओं के रूप में मिश्रित प्रभाव विश्लेषण में शामिल चर।

शोध प्रश्नों और डेटाबेस, शब्दकोशों, या निगम से चर की उपलब्धता के आधार पर व्याख्यात्मक चरों की संख्या छोटी या बड़ी हो सकती है। हालांकि, भविष्यवक्ताओं के रूप में शाब्दिक सुविधाओं की एक बड़ी संख्या सहित भविष्यवक्ताओं के बीच collinearity के रूप में जटिलताओं के लिए नेतृत्व कर सकते हैं, जब भविष्यवक्ताओं एक दूसरे के साथ सहसंबंधित और इस तरह परिणाम उपाय पर इसी तरह के प्रभाव डालती. उदाहरण के लिए, शब्दों की ठोसता और प्रतिबिंबता अत्यधिक सहसंबद्ध हो सकती है। किसी भी रैखिक प्रतिगमन विश्लेषण में एक धारणा यह है कि भविष्यवक्ता चर एक दूसरे से स्वतंत्र हैं. हालांकि, के रूप में अधिक चर मॉडल के लिए जोड़ रहे हैं, जोखिम है कि चर के कुछ एक दूसरे से स्वतंत्र नहीं हैं बढ़ जाती है. चरों के बीच सहसंबंध जितना अधिक होगा, यह सहरेखीयता मॉडल41के लिए अधिक हानिकारक हो सकती है। collinearity का एक संभावित परिणाम यह है कि कुछ भविष्यवक्ताओं के महत्व का स्तर नकली हो सकता है.

भविष्यवक्ताओं के बीच collinearity के प्रभाव से बचने के लिए, भविष्यवक्ताओं की संख्या कम किया जाना चाहिए. यदि दो भविष्यवक्ताओं collinearity दिखाने के लिए, उनमें से केवल एक मॉडल में शामिल किया जाना चाहिए. हालांकि, अगर दो से अधिक भविष्यवक्ताओं collinearity दिखाने के लिए, तो सभी को छोड़कर लेकिन एक विचरण की हानि के लिए नेतृत्व करेंगे समझाया. एक तरफ, एक शोधकर्ता पहले से ही प्रयोगात्मक डिजाइन एक प्राथमिकतामें व्याख्यात्मक चर की संख्या को कम कर सकता है , केवल उन है कि परिकल्पना संचालित कर रहे हैं छोड़ने (सैद्धांतिक रूप से प्रेरित) और है कि शोधकर्ता के बीच hypotheses परीक्षण करने की अनुमति अलग आबादी. दूसरी ओर, कभी कभी वहाँ कोई मौजूदा सिद्धांत है, और इस प्रकार, यह घटकों में इसी तरह के प्रभाव है कि भविष्यवक्ताओं के संयोजन के द्वारा भविष्यवक्ताओं की संख्या को कम करने के लिए प्रधान घटक विश्लेषण (पीसीए)41 का उपयोग करने के लिए उचित है। इस विश्लेषण में, भविष्यवक्ता अंतरिक्ष orthogonalized था और नए अंतरिक्ष के प्रमुख घटकों भविष्यवक्ताओं के रूप में इस्तेमाल किया गया (पृष्ठ 118-126 पर यहाँ वर्णित चरणों का पालन). पीसीए का उपयोग करने का एक नुकसान यह है कि कभी-कभी घटक कई भविष्यवक्ताओं के प्रभावों को उलझाना मुश्किल बनाते हैं; वे सब एक ही प्रमुख घटक पर मजबूत लदान के साथ उभर सकता है.

हम शब्द मान्यता की गति युवा वयस्कों और पुराने वयस्कों के लिए अलग हो सकता है कि कैसे की जांच करने के लिए पांच प्रमुख घटकों में सभी शाब्दिक भविष्यवक्ताओं बदल दिया। हालांकि, उनमें से केवल दो युवा वयस्कों के डेटा में महत्वपूर्ण थे (तालिका 3): PC1 और PC4. तीन प्रमुख घटक (पीसी) बुजुर्ग नियंत्रण के लिए मॉडल में महत्वपूर्ण भविष्यवक्ताओं थे (तालिका 4), एमसीआई (तालिका 5) और विज्ञापन के साथ व्यक्तियों (तालिका 6) .

Pc2
बिगराम फ्राक. -0.390
एक की हैमिंग दूरी -0.350
अंतिम त्रिग्राम फ्रेक. -0.330
पड़ोस घनत्व -0.320
लंबाई -0.226
प्रारंभिक ट्राइग्राम फ्रेक. -0.224
छद्म परिवार का आकार (अंतिम) -0.124
छद्म-परिवार frek.(अंतिम) -0.052
परिवार frek. (कम्पाउंड) -0.042
परिवार का आकार (कम्पाउंड) -0.039
पारिवारिक फ्रेक. (व्युत्पन्न शब्द) -0.036
परिवार का आकार (व्युत्पन्न शब्द) -0.034
सतह frek. -0.023
बेस फ्रेक. -0.008
छद्म परिवार का आकार (प्रारंभिक) 0.070
परिचित रेटिंग 0.093
उचित नाम के रूप में 0.102
छद्म-परिवार frek. (प्रारंभिक) 0.113
कंक्रीटता 0.275
छविीयता 0.296
छद्म परिवार का आकार (आंतरिक) 0.296
छद्म-परिवार frek. (आंतरिक) 0.316

तालिका 2. PC2 के लिए रोटेशन मैट्रिक्स. लोडिंग डिग्री है जो करने के लिए प्रत्येक चर घटक के लिए योगदान देता है. इस तालिका को कॉर्टेक्स3से अनुमति के साथ संशोधित किया गया है।

तालिका 2 PC2 पर उनके loadings के साथ शाब्दिक चर प्रस्तुत करता है. PC2 के सबसे मजबूत सकारात्मक लदान आंतरिक स्थिति में ओवरलैप के लिए छद्म परिवार के आकार और आवृत्ति थे. सबसे मजबूत नकारात्मक लदान bigram आवृत्ति, एक अंतिम trigram आवृत्ति, और ऑर्थोग्राफिक पड़ोस घनत्व की Hamming दूरी थे. चूंकि ये सभी चर अर्थ-आधारित के बजाय मुख्य रूप से प्रपत्र-आधारित होते हैं, इसलिए PC2 को शब्द पहचान की गति पर किसी शब्द के प्रपत्र-आधारित पहलुओं के प्रभाव को अभिलक्षित करने के रूप में समझा जाता है।

तालिका 3 युवा वयस्कों (31 प्रतिभागियों) के लिए मिश्रित प्रभाव विश्लेषण के परिणाम ों से पता चलता है. चूंकि PC2 युवा वयस्कों की प्रतिक्रिया समय का एक महत्वपूर्ण भविष्यवक्ता नहीं था (तालिका 3देखें), यह संकेत मिलता है कि इन फार्म आधारित चर युवा वयस्कों की प्रतिक्रिया समय पर कम प्रभाव है पुराने वयस्कों की तुलना में ', विज्ञापन या एमसीआई के साथ उन सहित .

निश्चित प्रभाव अनुमान Std.Error टी-मान च-मान
(इंटरसेप्ट) -1.31 0.05 -26.36 (lt;0.001
एलोमॉर्फ्स -0.034 0.015 -2.3 0.024
पीसी 1 -0.021 0.004 -5.179 (lt;0.001
पीसी 4 -0.042 0.008 -5.224 (lt;0.001
यादृच्छिक प्रभाव
समूहों नाम प्रसरण Std.Dev. Corr
आइटम (इंटरसेप्ट) 0.009 0.095
विषय (इंटरसेप्ट) 0.032 0.179
पीसी 1 4.765e-05 0.007 0.08
अवशिष्ट 0.005 0.235
obs. 2862; आइटम, 99; विषय, 31

तालिका 3. अनुमानित गुणांक, मानक त्रुटियों, और टी- और पी-मूल्यों मिश्रित मॉडल के लिए प्रतिक्रिया विलंबता के लिए फिट युवा वयस्कों के लिए असली शब्दों के लिए प्रकाश में लाया. इस तालिका को कॉर्टेक्स3से अनुमति के साथ संशोधित किया गया है।

एक निश्चित प्रभाव चर के लिए अनुमान राशि जिसके द्वारा निर्भर चर (RT) बढ़ जाती है या कम हो जाती है अगर इस निश्चित प्रभाव का मान बदलता है के रूप में व्याख्या की जा सकती है। यदि अनुमान ऋणात्मक है, तो इसका अर्थ है कि चर प्रतिक्रिया समय (उच्च चर, छोटे (तेज) अभिक्रिया समय के साथ नकारात्मक रूप से संबंधित होता है। t-मान आमतौर पर से कम होना चाहिए -2 या अधिक से अधिक 2 के क्रम में predictor के लिए महत्वपूर्ण हो.

तालिका 4, तालिका 5, और तालिका 6 बुजुर्ग नियंत्रण (17 प्रतिभागियों), एमसीआई (24 प्रतिभागियों) के साथ व्यक्तियों, और विज्ञापन (21 प्रतिभागियों) के साथ व्यक्तियों के लिए मिश्रित प्रभाव विश्लेषण के परिणाम दिखाते हैं।

तीन बुजुर्ग समूहों के बीच एक दिलचस्प अंतर उभरा: शिक्षा ने बुजुर्ग नियंत्रण में शब्द पहचान की गति की काफी भविष्यवाणी की (तालिका 4; शिक्षा का अनुमान नकारात्मक है, जिसका अर्थ है कि शिक्षा के अधिक वर्ष तेजी से प्रतिक्रिया बार के साथ जुड़े) और एमसीआई के साथ व्यक्तियों (तालिका 5), लेकिन विज्ञापन के साथ व्यक्तियों में नहीं (तालिका 6; शिक्षा मॉडल से हटा दिया गया था क्योंकि यह एक महत्वपूर्ण भविष्यवक्ता नहीं था), हालांकि इन समूहों के बीच शिक्षा के वर्षों की परिवर्तनशीलता में कोई स्पष्ट अंतर नहीं था (एडी: मतलब 10.8 साल, एसडी 4.2, रेंज 5-19; एमसीआई: मतलब 10.4 साल, एसडी 3.5, रेंज 6-17; बुजुर्ग नियंत्रण: मतलब 13.7 साल, एसडी 3.7, रेंज 8-20).

निश्चित प्रभाव अनुमान Std.Error टी-मान च-मान
(इंटरसेप्ट) -0.72 0.157 -4.574 (lt;0.001
एलोमॉर्फ्स -0.022 0.01 -2.14 0.035
पीसी 1 -0.011 0.003 -4.122 (lt;0.001
Pc2 -0.011 0.005 -2.223 0.029
पीसी 4 -0.02 0.006 -3.687 (lt;0.001
शिक्षा -0.024 0.011 -2.237 0.041
यादृच्छिक प्रभाव
समूहों नाम प्रसरण Std.Dev.
आइटम (इंटरसेप्ट) 0.003 0.057
विषय (इंटरसेप्ट) 0.026 0.16
अवशिष्ट 0.033 0.181
obs. 1595 की संख्या; आइटम, 99; विषय, 17

तालिका 4. अनुमानित गुणांक, मानक त्रुटियों, और टी- और पी-मानों के लिए मिश्रित मॉडल जो बुजुर्ग नियंत्रणों के लिए वास्तविक शब्दों के लिए प्राप्त प्रतिक्रिया विलंबताओं में लगे हैं। इस तालिका को कॉर्टेक्स3से अनुमति के साथ संशोधित किया गया है।

निश्चित प्रभाव अनुमान Std.Error टी-मान च-मान
(इंटरसेप्ट) -0.562 0.114 -4.922 (lt;0.001
पीसी 1 -0.009 0.003 -3.218 0.002
Pc2 -0.013 0.005 -2.643 0.01
पीसी 4 -0.018 0.006 -3.078 0.003
शिक्षा -0.039 0.01 -3.708 0.001
यादृच्छिक प्रभाव
समूहों नाम प्रसरण Std.Dev.
आइटम (इंटरसेप्ट) 0.003 0.056
विषय (इंटरसेप्ट) 0.03 0.174
अवशिष्ट 0.061 0.248
obs. 2227 की संख्या; आइटम, 99; विषय, 24

तालिका 5. अनुमानित गुणांक, मानक त्रुटियों, और टी- और पी-मान मिश्रित मॉडल के लिए प्रतिक्रिया विलंबता के लिए फिट एमसीआई के साथ व्यक्तियों के लिए वास्तविक शब्दों के लिए प्राप्त की। इस तालिका को कॉर्टेक्स3से अनुमति के साथ संशोधित किया गया है।

निश्चित प्रभाव अनुमान Std.Error टी-मान च-मान
(इंटरसेप्ट) -0.876 0.051 -17.017 (lt;0.001
एलोमॉर्फ्स -0.018 0.009 -2.008 0.048
पीसी 1 -0.011 0.003 -4.097 (lt;0.001
Pc2 -0.011 0.004 -2.718 0.008
पीसी 4 -0.018 0.005 -3.751 (lt;0.001
यादृच्छिक प्रभाव
समूहों नाम प्रसरण Std.Dev. Corr
परीक्षण (इंटरसेप्ट) 0.001 0.034
आइटम (इंटरसेप्ट) 0.002 0.049
विषय (इंटरसेप्ट) 0.045 0.212
पीसी 1 4.138e-05 0.006 0.83
अवशिष्ट 0.026 0.162
obs. 1879; आइटम, 99; विषय, 21

तालिका 6. अनुमानित गुणांक, मानक त्रुटियों, और टी- और पी मान मिश्रित प्रतिक्रिया विलंबता के लिए फिट मिश्रित मॉडल के लिए विज्ञापन के साथ व्यक्तियों के लिए असली शब्दों के लिए प्रकाश में लाया. इस तालिका को कॉर्टेक्स3से अनुमति के साथ संशोधित किया गया है।

यहाँ दी गई रिपोर्ट में एक अतिरिक्त प्रश्न का उत्तर दिया गया है कि क्या किसी शब्द से संबद्ध तने एलोमॉर्फों की संख्या शब्द अभिज्ञान की गति को प्रभावित करती है42,43. स्टेम एलोमॉर्फ विभिन्न भाषाई संदर्भों में एक शब्द स्टेम के विभिन्न रूप हैं। उदाहरण के लिए, अंग्रेजी में, पैर दो स्टेम एलोमॉर्फ्स, पैर और पैरहै। दूसरे शब्दों में, स्टेम शब्द इस बात पर निर्भर करता है कि वह एकवचन या बहुवचन रूप में है या नहीं। अध्ययन यहाँ फिनिश के वक्ताओं का परीक्षण किया, एक भाषा है कि अंग्रेजी की तुलना में अपने स्टेम परिवर्तन में काफी थोड़ा और अधिक जटिलता है. अधिक तने एलोमॉर्फी वाले शब्द (अर्थात्, उनके तनों में अधिक परिवर्तन वाले शब्द) सभी समूहों में तीव्र प्रतिक्रिया काल प्राप्त करते हैं (सारणी 3, तालिका 4, और सारणी 6; एलोमॉर्फकी की संख्या के अनुमान ऋणात्मक थे, जिसका अर्थ है एक शब्द के एलोमॉर्फ्स की संख्या जितनी अधिक थी, एमसीआई समूह (तालिका5; एलोमॉर्फों की संख्या एक महत्वपूर्ण भविष्यवक्ता नहीं थी और इसलिए इसे मॉडल से हटा दिया गया था) को छोड़कर जितनी तेजी से प्रतिक्रिया प्राप्त की गई थी।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

भाषा उत्पादन की आवश्यकता नहीं है कि एक सरल भाषा कार्य का उपयोग करके, वर्तमान अध्ययन मस्तिष्क संबंधी रूप से स्वस्थ युवा और पुराने वयस्कों में शब्द मान्यता पर विभिन्न शाब्दिक चर के प्रभाव की जांच की, साथ ही अल्जाइमर रोग के साथ लोगों में या हल्के संज्ञानात्मक दोष. "पुराने वयस्कों" की भर्ती के लिए इस्तेमाल की जाने वाली आयु सीमा विशिष्ट अनुसंधान हितों पर निर्भर हो सकती है; हालांकि, स्वस्थ बुजुर्ग समूह के लिए सीमा के रूप में बारीकी से संभव के रूप में आयु सीमा और एमसीआई या विज्ञापन एक ही अध्ययन के लिए भर्ती के साथ व्यक्तियों के लिए वितरण से मेल खाना चाहिए.

भविष्यवक्ताओं के बीच collinearity से बचने के लिए, शाब्दिक चर मुख्य घटकों में orthogonalized थे और मिश्रित प्रभाव मॉडल है, जहां प्रतिक्रिया बार निर्भर चर के रूप में सेवा करने के लिए जोड़ा गया. एक साधारण शाब्दिक निर्णय प्रयोग और एक मिश्रित प्रभाव प्रतिगमन विश्लेषण के संयोजन उपन्यास खोजने के लिए नेतृत्व किया है कि विज्ञापन के साथ रोगियों के लिए भाषा कठिनाइयों अर्थ प्रणाली में परिवर्तन करने के लिए न केवल जिम्मेदार ठहराया जा सकता है, लेकिन यह भी एक वृद्धि की निर्भरता के लिए शब्द के रूप में. दिलचस्प है, एक समान पैटर्न हल्के संज्ञानात्मक क्षति और संज्ञानात्मक स्वस्थ बुजुर्ग के साथ लोगों के लिए पाया गया था. इससे पता चलता है कि भाषा संसाधन के प्रपत्र-आधारित पहलुओं पर बढ़ी हुई निर्भरता लिखित शब्द पहचान में एक सामान्य आयु-संबंधित परिवर्तन का हिस्सा हो सकती है।

एक कारक डिजाइन में, शोधकर्ताओं ने पारंपरिक रूप से शब्दों के दो या अधिक सेट है कि ब्याज के चर के अनुसार अलग बनाने के लिए और फिर अन्य शाब्दिक विशेषताओं है कि प्रसंस्करण की गति को प्रभावित कर सकते हैं की एक संख्या पर शब्दों के इन सेट मैच. धारणा यह है कि शब्दों के इन दो सेट के बीच प्राप्त किसी भी व्यवहार अंतर हेरफेर करने के लिए जिम्मेदार ठहराया जाना चाहिए (यानी, बेजोड़) चर. डिजाइन के इस प्रकार के साथ एक समस्या यह है कि यह बहुत कुछ चर से अधिक पर शब्दों के सेट मैच के लिए मुश्किल है. एक और समस्या यह है कि वहाँ कुछ संभावित महत्वपूर्ण चर है कि शब्द सेट पर मिलान नहीं किया गया हो सकता है या कारणों की एक किस्म के लिए पर मिलान नहीं किया जा सकता है. इसके अलावा, कारकीय डिजाइन सतत परिघटनाओं को इस प्रकार मानता है मानो वे द्विगुणी कारक हों। व्यवहार डेटा के सांख्यिकीय विश्लेषण के लिए मिश्रित प्रभाव मॉडल का उपयोग शोधकर्ता इन चरों के अनुसार शब्दों या शब्दों की सूची से मेल करने की आवश्यकता के बिना व्याख्यात्मक चर के रूप में संभावित रूप से महत्वपूर्ण शाब्दिक चर शामिल करने के लिए अनुमति देता है. मिश्रित-प्रभाव मॉडल में चर विषय (भागीदार कोड/संख्या), आइटम (प्रयोगात्मक उत्तेजनाओं), और परीक्षण (परीक्षण संख्या) यादृच्छिक प्रभाव के रूप में जोड़े जाते हैं। यादृच्छिक अवरोधन शामिल थे क्योंकि यह माना जाता है कि विषयों उनके समग्र प्रतिक्रिया समय में भिन्न (यानी, कुछ प्रतिभागियों को स्वाभाविक रूप से धीमी या तेजी से बोर्ड भर में कर रहे हैं)

इस पद्धति के सवालों के अन्य प्रकार के लिए और अन्य आबादी के लिए लागू किया जा सकता है, जैसे, बहुभाषी या aphasia के साथ व्यक्तियों. पूर्व समूह के लिए, भाषा प्रसंस्करण monolinguals से अलग हो सकता है, तो इस चर अगर एक मिश्रित भाषा की आबादी की भर्ती पर विचार किया जाना चाहिए, या तो समूह के केवल एक प्रकार के लिए भर्ती सीमित करके या बाद में परिणामों की तुलना द्वारा निर्धारित करने के लिए कि क्या भाषा पृष्ठभूमि परिणाम ों को प्रभावित किया.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों को खुलासा करने के लिए कुछ भी नहीं है.

Acknowledgments

हम मिना Lehtonen, Tuomo H$nninen, मर्जा Hallikainen, और Hilkka Soininen डेटा संग्रह और प्रसंस्करण के लिए उनके योगदान के लिए धन्यवाद यहाँ की सूचना दी. डेटा संग्रह VPH डिमेंशिया अनुसंधान यूरोपीय संघ द्वारा सक्षम द्वारा समर्थित किया गया था, अनुदान समझौते No. 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/.

DOWNLOAD MATERIALS LIST

References

  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).

Tags

व्यवहार अंक 148 शब्द मान्यता Lexical निर्णय Psycholinguistics उम्र बढ़ने मनोभ्रंश अल्जाइमर रोग हल्के संज्ञानात्मक क्षति मिश्रित प्रभाव मॉडल मुख्य घटक विश्लेषण
के साथ और मनोभ्रंश या हल्के संज्ञानात्मक दोष के बिना वयस्कों में लिखित शब्द मान्यता का अध्ययन करने के लिए Lexical निर्णय कार्य
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Nikolaev, A., Higby, E., Hyun, J.,… More

Nikolaev, A., Higby, E., Hyun, J., Ashaie, S. Lexical Decision Task for Studying Written Word Recognition in Adults with and without Dementia or Mild Cognitive Impairment. J. Vis. Exp. (148), e59753, doi:10.3791/59753 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter