Waiting
Login processing...

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

Behavior

Tarea de decisión léxica para el estudio del reconocimiento de palabras escritas en adultos con y sin demencia o deterioro cognitivo leve

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

Este artículo describe cómo implementar un simple experimento de decisión léxica para evaluar el reconocimiento de palabras escritas en participantes neurológicamente sanos y en individuos con demencia y deterioro cognitivo. También proporcionamos una descripción detallada del análisis del tiempo de reacción utilizando el análisis de componentes principales (PCA) y el modelado de efectos mixtos.

Abstract

Los adultos mayores son más lentos en el reconocimiento de objetos visuales que los adultos más jóvenes. Lo mismo es cierto para reconocer que una cadena de letra es una palabra real. Las personas con enfermedad de Alzheimer (AD) o deterioro cognitivo leve (MCI) demuestran respuestas aún más largas en el reconocimiento de palabras escritas que los controles de ancianos. A pesar de la tendencia general hacia un reconocimiento más lento en el envejecimiento y los trastornos neurocognitivos, ciertas características de las palabras influyen en la velocidad de reconocimiento de palabras independientemente de la edad o la neuropatología (por ejemplo, la frecuencia de uso de una palabra). Presentamos aquí un protocolo para examinar la influencia de las características léxicas en los tiempos de respuesta del reconocimiento de palabras en un simple experimento de decisión léxica administrado a adultos más jóvenes y mayores y personas con MCI o AD. En este experimento, se pide a los participantes que decidan lo más rápido y exactamente posible si una cadena de letra determinada es una palabra real o no. También describimos modelos de efectos mixtos y análisis de componentes principales que se pueden utilizar para detectar la influencia de diferentes tipos de variables léxicas o características individuales de los participantes en la velocidad de reconocimiento de palabras.

Introduction

Las palabras se almacenan en el léxico mental en una red altamente interconectada. Las conexiones entre las palabras pueden reflejar propiedades compartidas, como la similitud semántica (por ejemplo, perro y gato), la similitud de forma (perro y niebla),o la co-ocurrencia frecuente en el uso del lenguaje común (por ejemplo, perro y gato) correa). Las teorías cognitivas del lenguaje, como la teoría basada en el uso1, argumentan que cada encuentro de una palabra por un usuario del lenguaje tiene un efecto en la representación mental de la palabra. Según la Teoría Ejemplar, la representación de una palabra consiste en muchos ejemplares, que se construyen a partir de tokens individuales de uso del lenguaje y que representan la variabilidad que existe para una categoría determinada. La frecuencia de uso2 afecta a las representaciones en la memoria al contribuir a la fuerza de un ejemplar1.

La velocidad de reconocimiento de palabras puede revelar las características del léxico mental. Un paradigma experimental comúnmente utilizado para medir la velocidad del reconocimiento de palabras es la tarea de decisión léxica. En esta tarea, los participantes se presentan con cadenas de letras en un monitor, una a la vez. Se les indica que decidan lo antes posible si la cadena de letra en la pantalla es una palabra real o no pulsando el botón correspondiente.

Al examinar los tiempos de reacción en busca de palabras reales, los investigadores pueden abordar una serie de preguntas importantes sobre el procesamiento del lenguaje. Por ejemplo, identificar qué factores hacen que el reconocimiento sea más rápido puede probar hipótesis sobre la estructura del léxico mental y revelar su arquitectura. Además, las comparaciones de rendimiento entre diferentes grupos de participantes pueden ayudarnos a comprender la influencia de varios tipos de experiencia del lenguaje, o, en el caso del envejecimiento o enfermedades neurodegenerativas (por ejemplo, la enfermedad de Alzheimer), el papel de la enfermedad de Alzheimer, el papel de la enfermedad cognitiva rechazar.

Algunos factores (por ejemplo, la frecuencia de uso) muestran una mayor influencia en el reconocimiento de palabras que otros factores (por ejemplo, la longitud de la palabra). Con el avance de la edad, la forma en que las personas reconocen las palabras escritas puede cambiar3,4. Los adultos más jóvenes tienden a depender en gran medida de aspectos semánticos (basados en significados) de una palabra, como cuántos compuestos (por ejemplo, bulldog) o palabras derivadas (por ejemplo, perrito)comparten aspectos tanto de forma como de significado con la palabra objetivo (en este caso, perro). El reconocimiento de palabras para adultos mayores parece estar más influenciado por aspectos basados en formas, como la frecuencia con la que dos letras posteriores coexisten en el idioma (por ejemplo, la combinación de letras st ocurre con más frecuencia en palabras en inglés que la combinación sk).

Para determinar los factores que influyen en la velocidad de reconocimiento de palabras en diferentes grupos, el investigador puede manipular ciertas variables en el conjunto de estímulo y luego probar el poder de estas variables para predecir la velocidad de reconocimiento de palabras. Por ejemplo, para probar si el reconocimiento de palabras está impulsado por factores semánticos o basados en la forma, el conjunto de estímulos debe incluir variables que reflejen el grado de conectividad de una palabra con sus vecinos semánticos en el léxico mental o su conectividad con otras palabras que comparten parte de su forma.

Este método se utilizó en el estudio actual para investigar si la velocidad de reconocimiento de palabras está influenciada por diferentes factores en adultos jóvenes y mayores y en individuos con enfermedad de Alzheimer (AD) o deterioro cognitivo leve (MCI)3. El método descrito aquí se basa en el reconocimiento visual de palabras, pero se puede adaptar a la modalidad auditiva. Sin embargo, algunas variables que son predictores significativos de tiempos de reacción en un experimento de decisión léxica visual típico podrían no predecir latencias de respuesta en una decisión léxica auditiva o pueden tener el efecto contrario. Por ejemplo, el barrio fonológico tiene elefecto contrario en estas dos modalidades 5: palabras con barrios fonológicos más grandes exhiben un efecto facilitador en el reconocimiento visual de palabras, pero dan lugar a latencias de respuesta más largas en decisión léxica auditiva6.

Las dificultades para encontrar palabras en los adultos mayores7 se han atribuido generalmente a la dificultad para acceder a la forma de la palabra fonológica en lugar de a un desglose de la representación semántica8. Sin embargo, la investigación ad se ha centrado principalmente en los declives semánticos9,10,11,12,13,14. Es importante desenredar cómo los factores semánticos y ortográficos influyen en el reconocimiento de las palabras escritas en el envejecimiento con y sin deterioro cognitivo. La influencia de los factores relacionados con la forma es más pronunciada en los adultos mayores que en los adultos más jóvenes, y sigue siendo significativa en personas con ICM oAD 3. Por lo tanto, esta metodología puede ayudarnos a descubrir características del léxico mental en diferentes poblaciones e identificar cambios en la organización del léxico con la edad y la neuropatología. Una preocupación cuando se prueba a pacientes con neuropatología es que pueden tener dificultades para acceder a los conocimientos relacionados con las tareas. Sin embargo, la tarea de decisión léxica es una tarea simple sin carga en la memoria de trabajo u otras habilidades cognitivas complejas con las que muchos pacientes exhiben problemas. Se ha considerado apropiado para las poblaciones de AD y MCI.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

El protocolo sigue las directrices del Comité de ética del Distrito Hospitalario de Savo del Norte (IRB00006251).

1. Examen de participantes

  1. Reclutar adultos jóvenes y mayores que tengan una visión normal o corregida a la normal y sean hablantes nativos del idioma probado a menos que el estudio aborde preguntas específicas de investigación con respecto a la adquisición del segundo idioma.
  2. Para grupos de control saludables, excluya a los participantes que tengan antecedentes de trastornos neurológicos o psiquiátricos.
  3. Para los grupos clínicos, reclutar individuos que hayan sido diagnosticados con la enfermedad de Alzheimer15 o deterioro cognitivo leve16,17. Reclutar sólo a las personas que son capaces de dar consentimiento informado, de acuerdo con el juicio del médico. Para realizar comparaciones precisas, haga coincidir el rango de edad y la media de los grupos clínicos con el de los participantes adultos mayores sanos.
  4. Mida la gravedad de la demencia, por ejemplo, utilizando la Escala de Clasificación de Demencia Clínica18 (CDR, 0-no dementia, 0.5-muy leve, 1-leve, 2-moderada, 3-grave). Excluya a los pacientes con demencia grave porque la tarea puede ser demasiado difícil para ellos. No incluya participantes que parezcan incapaces de seguir las instrucciones, a pesar de su clasificación de gravedad.

2. Construcción de estímulos

  1. Seleccione estímulos de palabras para abordar preguntas de investigación específicas, por ejemplo, si las variables semánticas u ortográficas/fonológicas tienen una mayor influencia en el reconocimiento de palabras19 en diferentes poblaciones.
  2. Calcular a partir de un corpus20 o recuperar de una base de datos21 variables que reflejan características semánticas, fonológicas y ortográficas de los estímulos para que puedan ser utilizados ya sea como predictores teóricamente motivados que explican la palabra tiempos de reacción de reconocimiento o como variables de control. Además, utilice el género, la edad y los años de educación de los participantes como variables explicativas o de control.
  3. Además de las palabras reales, construir un conjunto de pseudo-palabras coincidentes. Las palabras pseudo-palabras se asemejan a palabras reales en el que se ajustan a las normas del lenguaje para la colocación de ciertas letras en ciertas posiciones de palabras (fonotacticas). Con el fin de controlar la fonóselidad, cree pseudo-palabras, por ejemplo, recombinando aleatoriamente las primeras sílabas de algunas palabras con las segundas sílabas de otras palabras. Elimine cualquier elemento que haya producido una palabra real a través de esta recombinación y todos los elementos que violen la fonotáctica del lenguaje.
  4. Haga coincidir las pseudopalabras con las palabras de destino en términos de la longitud de la palabra en letras y la frecuencia bigram, que es el número medio de veces que todas las combinaciones de dos letras posteriores se producen en un corpus de texto. Se ha demostrado que estas variables influyen en la velocidad de reconocimiento.
    NOTA: La manipulación de la relación pseudo-palabra (por ejemplo, el número de palabras reales en relación con el número de pseudopalabras) puede dar lugar a resultados diferentes, con respuestas a los estímulos menos probables siendo más lentos y menos precisos22.
  5. Agregue un conjunto de rellenos de palabras reales para disminuir la expectativa del participante del siguiente estímulo perteneciente a un tipo determinado (por ejemplo, una cierta clase de inflexión). Elíjalos, por ejemplo, de diferentes categorías de palabras (por ejemplo, clases de inflexión) que las utilizadas para construir estímulos de acuerdo con las características de interés.

3. Diseño experimental

  1. Presentar las cuerdas de letras horizontalmente, una a la vez, subyaciendo un ángulo visual de aproximadamente 5o.
  2. Comience el experimento con una sesión de práctica que incluya un pequeño número de ensayos, con una palabra presentada por ensayo (por ejemplo, 15 palabras y 15 pseudopalabras no incluidas en el experimento real). Esto es para familiarizar al participante con la tarea y los botones de respuesta. Si el participante no responde con precisión (botón "sí" para palabras reales y botón "no" para pseudopalabras) durante los ensayos de práctica, proporcione comentarios y vuelva a hacer la sesión de práctica.
  3. Divida el experimento en bloques y dé breves pausas después de la sesión de práctica y entre los bloques. Estas pausas permiten a los participantes descansar los ojos y reducirán la fatiga.
  4. Comience cada nuevo bloque con algunos elementos de relleno que no se incluirán en el análisis (por ejemplo, sustantivos comunes como perro, hermana, año) porque las primeras pruebas del bloque a veces son ignoradas por los participantes con MCI o AD.
  5. Presente los elementos experimentales en un orden aleatorio para cada participante.
  6. Comience cada ensayo con una marca de fijación (por ejemplo, un signo +) que aparece en el centro de la pantalla durante 500 ms, seguido de una pantalla en blanco para un fijo (por ejemplo, 500 ms) o una cantidad variable de tiempo (por ejemplo, 500-800 ms).
  7. Inmediatamente después de la pantalla en blanco, presente una cadena de letra (palabra o pseudo-palabra) para 1.500 ms o hasta que el participante responda.
  8. Después de que se haga una respuesta o después de 1.500 ms desde el inicio de la palabra (lo que ocurra primero), siga de nuevo con una pantalla en blanco hasta que 3000 ms haya pasado desde el comienzo del ensayo.
  9. Repita esta secuencia hasta que se hayan presentado todos los elementos del experimento.
    NOTA: Los tiempos para el retraso entre los estímulos sirven como ejemplo. Cambiarlos puede afectar al patrón de resultados.

4. Procedimiento experimental

  1. Coloque al participante frente a un monitor de computadora a una distancia de visualización de unos 80 cm en una habitación normalmente iluminada.
  2. Indique al participante que decida de la forma más rápida y precisa posible si la cadena de letras en la pantalla es una palabra real o no presionando uno de los dos botones correspondientes con su mano dominante (por ejemplo, el dedo índice para palabras reales y el dedo medio para pseudopalabras) o utilizando el dedo índice de cada mano.
    NOTA: Los participantes intentan optimizar su rendimiento de acuerdo con las instrucciones. Por lo tanto, sus respuestas se verán afectadas por la velocidad de estrés sobre la precisión o viceversa23.

5. Análisis de datos con un modelo de efectos mixtos en R

NOTA: Se pueden utilizar muchos programas estadísticos diferentes para realizar el análisis. En esta sección se describen los pasos para analizar datos en R24.

  1. Obtenga el tiempo de reacción (RT) medido en milisegundos para cada prueba del archivo de salida del programa de presentación (por ejemplo, software E-Studio).
  2. Instale los paquetes lme428 y lmerTest29. Adjunte paquetes con la biblioteca de funciones o requiera.
  3. Importe datos a R utilizando, por ejemplo, la función read.table.
  4. Compruebe la necesidad de transformación, por ejemplo, con la función boxcox del paquete MASS 25,ya que la distribución de datos RT suele estar muy sesgada.
    > Biblioteca (MASS)
    > boxcox(RT - Expnanatory_variable, datos - yourdata)
    NOTA: El gráfico generado por la función boxcox muestra un intervalo de confianza del 95% para el parámetro de transformación boxcox. Dependiendo de los valores de lambda ubicados dentro de este intervalo, se puede elegir la transformación necesaria, por ejemplo, 1 (transformación inversa), 0 (transformación logarítmica), 1/2 (transformación de raíz cuadrada) y 1/3 (transformación de raíz de cubo).
    1. Transforme los valores RT utilizando RT transformados invertidos (por ejemplo, -1000/RT) o logaritmos binarios de RT (por ejemplo, log2(RT)) ya que estas transformaciones tienden a proporcionar distribuciones más normales para los tiempos de reacción en experimentos de decisión léxica que los RT crudos 26.
    2. Alternativamente, utilice métodos estadísticos que no se basen en distribuciones normales y ajusten modelos lineales robustos de efectos mixtos y proporcionen estimaciones sobre qué valores atípicos u otras fuentes de contaminación tienen poca influencia27.
  5. Dado que los análisis del tiempo de reacción se realizan típicamente sobre respuestas precisas, excluya los ensayos en los que la respuesta de los participantes fue incorrecta (una respuesta del "no" a las palabras reales) así como las omisiones.
    1. Además, excluya las respuestas a pseudo-palabras y rellenos a menos que haya hipótesis específicas sobre ellos.
    2. Excluya los ensayos con tiempos de respuesta más rápidos que 300 ms porque normalmente indican que el participante era demasiado tarde respondiendo a un estímulo anterior o que accidentalmente presionaba el botón de respuesta antes de leer el estímulo.
  6. Cree un modelo lineal básico de efectos mixtos que identifique RT como la medida de resultado y Asunto, Elementoy Prueba como efectos aleatorios. Tenga en cuenta que las variables cuyos valores se muestrean aleatoriamente a partir de un conjunto más grande (población) de valores se incluyen como efectos aleatorios y variables con un pequeño número de niveles o para las que todos los niveles se incluyen en los datos son efectos fijos. Añadir los efectos aleatorios en la forma (1 ? Asunto) con el fin de estimar las interceptaciones aleatorias para cada uno de los efectos aleatorios.
    > g1 á lmer (RT á (1o Asunto) + (1 ? Artículo) + (1 ? Prueba), datos: yourdata)
    > Resumen (g1)
  7. Agregue variables explicativas en un orden teóricamente motivado. Por ejemplo, agregue la frecuencia base de las palabras como un efecto fijo. Algunas variables, como la frecuencia base o de superficie, tienen distribuciones Zipfian, por lo que se insertan en el modelo con una transformación que da como resultado una forma de distribución más gaussiana, por ejemplo, transformación logarítmica.
    > g2 á lmer (RT - log (BaseFrequency + 1) + (1 ? Asunto) + (1 ? Artículo) + (1 ? Prueba), datos: yourdata)
    > Resumen (g2)
  8. Consulte con la función Anova si agregar cada predictor (por ejemplo, BaseFrequency) mejoró significativamente la potencia predictiva del modelo en comparación con un modelo sin el predictor.
    > anova (g1, g2)
    1. Si no hay ninguna diferencia significativa en el ajuste del nuevo modelo sobre el modelo más simple, prefiera el modelo más simple con menos predictores. Además, compruebe el Criterio de información de Akaike (AIC)30 de cada modelo. AIC es una medida de lo bien que los modelos estadísticos se ajustan a un conjunto de datos de acuerdo con la máxima probabilidad. Los valores más bajos indican un mejor ajuste para los datos31.
      > AIC (g1); AIC (g2)
  9. Repita los pasos 5.7. y 5.8. añadiendo otras variables explicativas, por ejemplo, algunas de las que se presentan en el Cuadro1, una por una en un orden teóricamente motivado y manteniendo sólo aquellas que mejoran significativamente el poder predictivo del modelo. Si se utilizó la asincronía de inicio de estímulo variable, inclúyala como una variable de efecto fijo en el modelo.
  10. Compruebe si hay interacciones teóricamente motivadas entre los predictores. Por ejemplo, agregue un término de interacción al registro de Frecuencia base por edad.
    > g3 á lmer (RT - log (BaseFrequency + 1) + Age + log(BaseFrequency + 1) : Age + (1 ? Asunto) + (1 ? Artículo) + (1 ? Prueba), datos: yourdata)
    NOTA: Es posible que un predictor sea significativo como término de interacción con otra variable, pero no significativo como predictor principal. En este caso, no quite este predictor del modelo (incluirlo también como el efecto principal).
  11. Agregue las pendientes aleatorias por participante32 para los predictores incluyendo "1 +" antes del nombre de la variable, luego " Asunto", p. ej., (1 + log(BaseFrequency + 1) ? Asunto), porque los tiempos de respuesta de los participantes pueden verse afectados por las características léxicas de las palabras de diferentes maneras.
    NOTA: Si hay muchos predictores continuos, permitir que todos tengan pendientes aleatorias no es realista porque los modelos de pendientes aleatorias requieren grandes cantidades de datos para estimar con precisión las varianzas y covarianzas33,34. En caso de que el modelo máximo no converja (es decir, computación correctamente), simplifique el modelo33. Alternativamente, implemente versiones bayesianas de modelado multinivel35.
  12. Ejecute el análisis para cada grupo de participantes por separado. Como alternativa, ejecute un análisis en todos los datos, con el grupo como predictor de efecto fijo y, a continuación, pruebe para una interacción de grupo por predictores significativos.
    > g4 á lmer (RT - log(BaseFrequency + 1) + Age + log(BaseFrequency + 1) : Age + Group + log(BaseFrequency + 1) : Group + (1 + log(BaseFrequency + 1) ? Asunto) + (1 ? Artículo) + (1 ? Prueba), datos: yourdata)
  13. Para eliminar la influencia de posibles valores atípicos, excluya los puntos de datos con residuos estandarizados absolutos que superen, por ejemplo, 2,5 desviaciones estándar26, y vuelva a ajustar el modelo con los nuevos datos (yourdata2).
    > yourdata2 - yourdata [abs(scale(resid(g4))) < 2.5, ]
    > g5 á lmer (RT - log(BaseFrequency + 1) + Age + log(BaseFrequency + 1) : Age + Group + log(BaseFrequency + 1) : Group + (1 + log(BaseFrequency +1) ? Asunto) + (1 ? Artículo) + (1 ? Prueba), datos: yourdata2)
    NOTA: No todos los puntos de datos extremos son perjudiciales para el modelo, solo aquellos que tienen un apalancamiento excesivo sobre el modelo.
  14. En el caso del análisis exploratorio (basado en datos), utilice la regresión escalonada hacia atrás: incluya todas las variables en el análisis inicial y, a continuación, elimine las variables no significativas del modelo paso a paso. Como alternativa, utilice el procedimiento automático de eliminación de predictores no significativos con la función step proporcionada por el paquete lmerTest29.
    > paso (g4)

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

La Tabla 1 muestra una lista de variables que se obtuvieron de tres fuentes diferentes (un corpus, un diccionario y pruebas piloto de elementos de prueba) que se incluyen en el análisis como predictores de efecto fijo. Muchas de estas variables se han reportado previamente para afectar la velocidad de reconocimiento de palabras.

Corpus:
Frecuencia base el número de veces que una palabra aparece en el corpus en todas sus formas diferentes (por ejemplo, niños y niños)
Frecuencia Bigram el número medio de veces que todas las combinaciones de dos letras posteriores se producen en el corpus
Tamaño morfológico de la familia el número de palabras derivadas y compuestas que comparten un morfema con el sustantivo
Frecuencia morfológica de la familia la frecuencia base sumada de todos los miembros morfológicos de la familia
Tamaño de la familia pseudomorfológica incluye no sólo a los miembros morfológicos de la familia "verdaderos", sino también palabras que imitan a los miembros morfológicos de la familia en su forma ortográfica, sean o no morfemas reales, y por lo tanto representa superposición ortográfica pero no necesariamente superposición semántica
Frecuencia familiar pseudomorfológica la frecuencia base sumada de todos los miembros de la familia pseudomorfológica
Frecuencia superficial el número de veces que una palabra aparece en el corpus exactamente en la misma forma (por ejemplo, niño).
Frecuencia de trigramas el número medio de veces que todas las combinaciones de tres letras posteriores se producen en el corpus
Diccionario:
Distancia hamming de uno el número de palabras de la misma longitud, pero que sólo difiere en una sola letra36
Longitud el número de letras
Densidad ortográfica del vecindario el número de palabras con la misma longitud, pero que sólo difiere en la letra inicial37,38
Pruebas piloto: Dieciséis participantes indicaron en una escala de seis puntos (de 0 a 5) sus estimaciones para cada una de las palabras objetivo en los siguientes parámetros.
Como nombre propio con qué frecuencia la palabra se ve como un nombre propio (por ejemplo, como un nombre de familia, como Baker)39
Concreción la franqueza con la que las palabras se refieren a entidades concretas40
Clasificación de familiaridad lo familiar que es la palabra
Imagenbilidad la facilidad y la velocidad con la que las palabras suscit imágenes mentales40

Tabla 1. Las variables incluidas en el análisis de efectos mixtos como predictores de efecto fijo, obtenidas de tres fuentes diferentes (un corpus, un diccionario y pruebas piloto de elementos de prueba).

El número de variables explicativas puede ser menor o mayor dependiendo de las preguntas de investigación y de la disponibilidad de las variables de bases de datos, diccionarios o corpora. Sin embargo, incluir un gran número de características léxicas como predictores podría conducir a complicaciones en forma de colinealidad entre los predictores, cuando los predictores se correlacionan entre sí y, por lo tanto, ejercen efectos similares en la medida del resultado. Por ejemplo, la concreción y la imagen de las palabras pueden estar altamente correlacionadas. Una suposición en cualquier análisis de regresión lineal es que las variables predictoras son independientes entre sí. Sin embargo, a medida que se agregan más variables al modelo, aumenta el riesgo de que algunas de las variables no sean independientes entre sí. Cuanto mayor sea la correlación entre las variables, más dañina puede ser esta colinealidad para el modelo41. Una consecuencia potencial de la colinealidad es que el nivel de significancia de algunos predictores puede ser espurio.

Para evitar el efecto de la colinealidad entre los predictores, se debe reducir el número de predictores. Si dos predictores muestran colinealidad, solo uno de ellos debe incluirse en el modelo. Sin embargo, si más de dos predictores muestran colinealidad, entonces excluir todos menos uno conduciría a una pérdida de varianza explicada. Por un lado, un investigador podría reducir el número de variables explicativas ya en el diseño experimental a priori,dejando sólo aquellas que están impulsadas por hipótesis (teóricamente motivadas) y que permiten al investigador probar hipótesis entre diferentes poblaciones. Por otro lado, a veces no existe una teoría, y por lo tanto, es razonable utilizar el Análisis de Componentes Principales (PCA)41 para reducir el número de predictores mediante la combinación de predictores que tienen efectos similares en componentes. En este análisis, el espacio predictor fue ortogonizado y los componentes principales del nuevo espacio se utilizaron como predictores (siguiendo los pasos descritos aquí41 en las páginas 118-126). Una desventaja de usar PCA es que a veces los componentes hacen difícil desenredar los efectos de múltiples predictores; todos ellos podrían surgir con cargas fuertes en el mismo componente principal.

Transformamos todos los predictores léxicos en cinco componentes principales para examinar cómo la velocidad de reconocimiento de palabras podría ser diferente para los adultos jóvenes y los adultos mayores. Sin embargo, sólo dos de ellosfueron significativos en los datos de los jóvenes adultos (Tabla 3): PC1 y PC4. Tres componentes principales (PC) fueron predictores significativos en el modelo para controles de personas mayores (Tabla 4), MCI (Tabla5) y personas con AD (Tabla 6).

PC2
Bigram freq. -0.390
Distancia hamming de uno -0.350
Trigram freq final. -0.330
Densidad vecinal -0.320
Longitud -0.226
Trigramfre inicial. -0.224
Tamaño pseudo-familia (final) -0.124
Pseudo-familia freq.(final) -0.052
Frecuencia familiar (compuestos) -0.042
Tamaño de la familia (compuestos) -0.039
Familia (palabras derivadas) -0.036
Tamaño de la familia (palabras derivadas) -0.034
Superficie freq. -0.023
Frecuencia de base. -0.008
Tamaño pseudo-familia (inicial) 0.070
Clasificación de familiaridad 0.093
Como nombre propio 0.102
Frecuencia pseudofamiliar (inicial) 0.113
Concreción 0.275
Imagenbilidad 0.296
Tamaño pseudo-familia (interno) 0.296
Frecuencia pseudofamiliar (interna) 0.316

Cuadro 2. Matriz de rotación para PC2. Las cargas son el grado en que cada variable contribuye al componente. Esta tabla se ha modificado con el permiso de Cortex3.

La Tabla 2 presenta las variables léxicas con sus cargas en PC2. Las cargas positivas más fuertes de PC2 fueron el tamaño pseudo-familia y la frecuencia para la superposición en la posición interna. Las cargas negativas más fuertes fueron la frecuencia bigram, la distancia Hamming de uno, la frecuencia final del trigrama y la densidad ortográfica del vecindario. Dado que todas estas variables se basan principalmente en la forma en lugar de en el significado, PC2 se interpreta como una función que refleja la influencia de los aspectos basados en la forma de una palabra en la velocidad de reconocimiento de palabras.

La Tabla 3 muestra los resultados del análisis de efectos mixtos para adultos jóvenes (31 participantes). Dado que pc2 no era un predictor significativo de los tiempos de respuesta de los adultos jóvenes (ver Tabla 3), esto parece indicar que estas variables basadas en la forma tienen menos influencia en los tiempos de reacción de los adultos jóvenes en comparación con los de los adultos mayores, incluidos los que tienen AD o MCI .

Efectos fijos Estimación Std.Error valor t valor p
(Interceptar) -1.31 0.05 -26,36 <0.001
Alomorfos -0.034 0.015 -2.3 0.024
PC1 -0.021 0.004 -5.179 <0.001
PC4 -0.042 0.008 -5.224 <0.001
Efectos aleatorios
Grupos Nombre Varianza Std.Dev. Corr
Artículo (Interceptar) 0.009 0.095
Asunto (Interceptar) 0.032 0.179
PC1 4.765e-05 0.007 0.08
Residual 0.005 0.235
Número de obs. 2862; Tema, 99; Asunto, 31

Cuadro 3. Coeficientes estimados, errores estándar y valores t y p para los modelos mixtos ajustados a las latencias de respuesta se provocaron palabras reales para adultos jóvenes. Esta tabla se ha modificado con el permiso de Cortex3.

La estimación de una variable de efecto fijo se puede interpretar como la cantidad por la que la variable dependiente (RT) aumenta o disminuye si cambia el valor de este efecto fijo. Si la estimación es negativa, significa que la variable se correlaciona negativamente con los tiempos de reacción (cuanto mayor sea la variable, menor es el tiempo de reacción). El valor t normalmente debe ser menor que -2 o mayor que 2 para que el predictor sea significativo.

La Tabla 4, la Tabla 5y la Tabla 6 muestran los resultados del análisis de efectos mixtos para los controles de personas mayores (17 participantes), las personas con MCI (24 participantes) y las personas con AD (21 participantes).

Surgió una diferencia interesante entre los tres grupos de ancianos: la educaciónpredijo significativamente la velocidad del reconocimiento de palabras en los controles de los ancianos (Tabla 4; la estimación de la educación es negativa, lo que significa que más años de educación fue asociados con tiempos de reacción más rápidos) e individuos con MCI (Tabla5), pero no en individuos con AD (Tabla 6; La educación se redujo del modelo ya que no era un predictor significativo), aunque no hubo diferencia obvia en la variabilidad de los años de educación entre estos grupos (AD: media 10,8 años, SD 4.2, rango 5-19; MCI: media 10,4 años, SD 3.5, rango 6-17; controles de edad avanzada: media 13,7 años, SD 3,7, rango 8-20).

Efectos fijos Estimación Std.Error valor t valor p
(Interceptar) -0.72 0.157 -4.574 <0.001
Alomorfos -0.022 0.01 -2.14 0.035
PC1 -0.011 0.003 -4.122 <0.001
PC2 -0.011 0.005 -2.223 0.029
PC4 -0.02 0.006 -3.687 <0.001
Educación -0.024 0.011 -2.237 0.041
Efectos aleatorios
Grupos Nombre Varianza Std.Dev.
Artículo (Interceptar) 0.003 0.057
Asunto (Interceptar) 0.026 0.16
Residual 0.033 0.181
Número de obs. 1595; Tema, 99; Asunto, 17

Cuadro 4. Coeficientes estimados, errores estándar y valores t y p para los modelos mixtos ajustados a las latencias de respuesta provocados para palabras reales para controles de ancianos. Esta tabla se ha modificado con el permiso de Cortex3.

Efectos fijos Estimación Std.Error valor t valor p
(Interceptar) -0.562 0.114 -4.922 <0.001
PC1 -0.009 0.003 -3.218 0.002
PC2 -0.013 0.005 -2.643 0.01
PC4 -0.018 0.006 -3.078 0.003
Educación -0.039 0.01 -3.708 0.001
Efectos aleatorios
Grupos Nombre Varianza Std.Dev.
Artículo (Interceptar) 0.003 0.056
Asunto (Interceptar) 0.03 0.174
Residual 0.061 0.248
Número de obs. 2227; Tema, 99; Asunto, 24

Tabla 5. Coeficientes estimados, errores estándar y valores t y p para los modelos mixtos ajustados a las latencias de respuesta se provocaron palabras reales para individuos con MCI. Esta tabla se ha modificado con el permiso de Cortex3.

Efectos fijos Estimación Std.Error valor t valor p
(Interceptar) -0.876 0.051 -17.017 <0.001
Alomorfos -0.018 0.009 -2.008 0.048
PC1 -0.011 0.003 -4.097 <0.001
PC2 -0.011 0.004 -2.718 0.008
PC4 -0.018 0.005 -3.751 <0.001
Efectos aleatorios
Grupos Nombre Varianza Std.Dev. Corr
Juicio (Interceptar) 0.001 0.034
Artículo (Interceptar) 0.002 0.049
Asunto (Interceptar) 0.045 0.212
PC1 4.138e-05 0.006 0.83
Residual 0.026 0.162
Número de obs. 1879; Tema, 99; Asunto, 21

Cuadro 6. Coeficientes estimados, errores estándar y valores t y p para los modelos mixtos ajustados a las latencias de respuesta se provocaron palabras reales para individuos con AD. Esta tabla se ha modificado con el permiso de Cortex3.

El estudio reportado aquí abordó una pregunta adicional: si el número de alomorfos del tallo asociados con una palabra influye en la velocidad del reconocimiento de palabras42,43. Los alomorfos del tallo son diferentes formas de un tallo de palabras a través de diversos contextos linguísticos. Por ejemplo, en inglés, el pie tiene dos alomorfos de tallo, pie y pies. En otras palabras, la palabra tallo cambia dependiendo de si está en forma singular o plural. El estudio descrito aquí probó hablantes de finlandés, un idioma que tiene un poco más de complejidad en sus cambios en el prolo en comparación con el inglés. Las palabras con mayor alomorfo del tallo (es decir, palabras con más cambios en sus tallos) provocaron tiempos de reacción más rápidos en todos los grupos (Tabla3, Tabla 4y Tabla6; las estimaciones para el número de alomorfos fueron negativas, lo que significa que el mayor es el número de alomorfos que tenía una palabra, más rápidoeran los tiempos de reacción que obtuvo) excepto el grupo MCI (Tabla 5; el número de alomorfos no era un predictor significativo y por lo tanto se retiró del modelo).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Mediante el uso de una tarea de lenguaje simple que no requiere producción del lenguaje, el presente estudio investigó el impacto de varias variables léxicas en el reconocimiento de palabras en adultos jóvenes y mayores neurológicamente sanos, así como en personas con enfermedad de Alzheimer o deterioro cognitivo leve. El rango de edad utilizado para reclutar "adultos mayores" podría depender de los intereses específicos de la investigación; sin embargo, el rango para el grupo de ancianos sanos debe coincidir lo más estrechamente posible con el rango de edad y la distribución para las personas con MCI o AD reclutado para el mismo estudio.

Para evitar la colinealidad entre los predictores, las variables léxicas se ortogonaron en los componentes principales y se añadieron a los modelos de efectos mixtos, donde los tiempos de reacción servían como variable dependiente. La combinación de un simple experimento de decisión léxica y un análisis de regresión de efectos mixtos llevó a la constatación novedosa de que las dificultades del lenguaje para los pacientes con AD pueden atribuirse no sólo a los cambios en el sistema semántico, sino también a una mayor dependencia en forma de palabra. Curiosamente, un patrón similar fue encontrado para las personas con deterioro cognitivo leve y ancianos cognitivamente sanos. Esto sugiere que una mayor dependencia de los aspectos basados en formularios del procesamiento del lenguaje podría ser parte de un cambio común relacionado con la edad en el reconocimiento de palabras escritas.

En un diseño factorial, los investigadores tradicionalmente crean dos o más conjuntos de palabras que difieren según la variable de interés y luego coinciden con estos conjuntos de palabras en una serie de otras características léxicas que pueden influir en la velocidad de procesamiento. La suposición es que cualquier diferencia de comportamiento obtenida entre estos dos conjuntos de palabras debe atribuirse a la variable manipulada (es decir, sin igual). Un problema con este tipo de diseño es que es muy difícil hacer coincidir conjuntos de palabras en más de unas pocas variables. Otro problema es que puede haber algunas variables potencialmente significativas en las que los conjuntos de palabras no se emparejaron o que no se podían hacer coincidir por una variedad de razones. Además, el diseño factorial trata los fenómenos continuos como si fueran factores dicotómicos. El uso de modelos de efectos mixtos para el análisis estadístico de los datos de comportamiento permite al investigador incluir variables léxicas potencialmente importantes como variables explicativas sin necesidad de hacer coincidir palabras o listas de palabras de acuerdo con estas variables. En un modelo de efectos mixtos, las variables Asunto (código/número de participante), Elemento (estímulos experimentales) y Prueba (número de prueba) se agregan como efectos aleatorios. Las interceptaciones aleatorias se incluyeron porque se supone que los sujetos varían en sus tiempos de reacción general (es decir, algunos participantes son naturalmente más lentos o más rápidos en todo el tablero)

Esta metodología se puede aplicar a otros tipos de preguntas y a otras poblaciones, por ejemplo, en varios idiomas o a individuos con afasia. Para el primer grupo, el procesamiento de idiomas puede diferir de los monolinguales, por lo que esta variable debe considerarse si se recluta a una población de idiomas mixtos, ya sea restringiendo el reclutamiento a un solo tipo de grupo o comparando los resultados más adelante para determinar si los resultados influyó en los antecedentes del lenguaje.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Agradecemos a Minna Lehtonen, Tuomo Hénninen, Merja Hallikainen e Hilkka Soininen por su contribución a la recopilación y procesamiento de datos aquí informados. La recopilación de datos fue apoyada por VPH Dementia Research habilitado por el acuerdo de subvención No 601055 de la UE.

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

Comportamiento Número 148 Reconocimiento de palabras Decisión léxica Psicolinguística Envejecimiento Demencia Enfermedad de Alzheimer Deterioro cognitivo leve Modelos de efectos mixtos Análisis de componentes principales
Tarea de decisión léxica para el estudio del reconocimiento de palabras escritas en adultos con y sin demencia o deterioro cognitivo leve
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