Summary
I den här artikeln beskrivs hur du implementerar ett enkelt lexikalt besluts experiment för att bedöma skriftlig ord igenkänning i neurologiskt friska deltagare och hos personer med demens och kognitiv försämring. Vi ger också en detaljerad beskrivning av reaktions tid analys med hjälp av huvud komponenter analys (PCA) och blandade effekter modellering.
Abstract
Äldre vuxna är långsammare på att känna igen visuella objekt än yngre vuxna. Detsamma gäller för att erkänna att en bokstavs sträng är ett riktigt ord. Personer med Alzheimers sjukdom (AD) eller mild kognitiv svikt (MCI) uppvisar ännu längre svar i skriftlig ord igenkänning än äldre kontroller. Trots den generella tendensen till långsammare igenkänning av åldrande och neurokognitiva störningar, påverkar vissa karaktärsdrag ord igenkännings hastigheten oavsett ålder eller neuropatologi (t. ex. ett ords användnings frekvens). Vi presenterar här ett protokoll för att undersöka inverkan av lexikala egenskaper på ord erkännande svars tider i ett enkelt lexikala beslut experiment administreras till yngre och äldre vuxna och personer med MCI eller AD. I det här experimentet ombeds deltagarna att besluta så snabbt och korrekt som möjligt om en given bokstavs sträng är ett faktiskt ord eller inte. Vi beskriver också modeller med blandade effekter och huvud komponenter analys som kan användas för att identifiera påverkan av olika typer av lexikala variabler eller enskilda egenskaper hos deltagare på ord igenkännings hastighet.
Introduction
Ord lagras i det mentala lexikonet i ett mycket sammanlänkat nätverk. Kopplingarna mellan ord kan återspegla delade egenskaper, såsom semantisk likhet (t. ex. hund och katt), form likhet (hund och dimma), eller frekvent samtidig förekomst i gemensam språkanvändning (t. ex. hund -och koppel). Kognitiva teorier om språk, såsom användningsbaserad teori1, hävdar att varje möte av ett ord av en språk användare har en effekt på ordets mentala representation. Enligt föredöme Theory består ett ords representation av många exemplarer, som byggs upp från individuella tokens av språkanvändning och som representerar variationen som finns för en given kategori. Frekvensen av användning2 påverkar representationer i minnet genom att bidra till styrkan i ett exemplar1.
Ord igenkännings hastighet kan avslöja egenskaperna hos det mentala lexikonet. En ofta använd experimentell paradigm för att mäta hastigheten på ord igenkänningen är den lexikala besluts uppgiften. I den här uppgiften presenteras deltagarna med bokstavs strängar på en bildskärm, en i taget. De instrueras att besluta så snabbt som möjligt om bokstaven strängen på skärmen är ett verkligt ord eller inte genom att trycka på motsvarande knapp.
Genom att undersöka reaktions tider för riktiga ord kan forskarna ta upp ett antal viktiga frågor om språk bearbetning. Att identifiera vilka faktorer som gör erkännandet snabbare kan till exempel testa hypoteser om strukturen i det mentala lexikonet och avslöja dess arkitektur. Dessutom kan jämförelser av prestationer mellan olika deltagar grupper hjälpa oss att förstå påverkan av olika typer av språk erfarenheter, eller, när det gäller åldrande eller neurodegenerativa sjukdomar (t. ex. Alzheimers sjukdom), den roll som kognitiv Nedgång.
Vissa faktorer (t. ex. användnings frekvens) uppvisar större inflytande på ord igenkänningen än andra faktorer (t. ex. ordlängd). Med stigande ålder, hur människor känner igen skrivna ord kan ändra3,4. Yngre vuxna tenderar att förlita sig starkt på semantiska (menande-baserade) aspekter av ett ord, till exempel hur många föreningar (t. ex. Bulldog) eller härledda ord (t. ex. doggy) dela aspekter av både form och mening med målet ordet (i detta fall, hund). Ord igenkänning för äldre vuxna verkar vara mer influerad av formulärbaserade aspekter, till exempel hur ofta två efterföljande bokstäver förekommer i språket (t. ex. bokstavs kombinationen St förekommer oftare i engelska ord än kombinationen för att
För att fastställa de faktorer som påverkar ordet erkännande hastighet mellan olika grupper, kan forskaren manipulera vissa variabler i stimulanset och sedan testa kraften i dessa variabler för att förutsäga ord erkännande hastighet. Till exempel, för att testa om ord igenkänning drivs av semantiska eller formulärbaserade faktorer, bör stimulans uppsättningen innehålla variabler som återspeglar graden av anslutning av ett ord till dess semantiska grannar i det mentala lexikonet eller dess anslutning till andra ord som delar en del av sin form.
Denna metod användes i den aktuella studien för att undersöka om ord igenkännings hastigheten påverkas av olika faktorer hos yngre och äldre vuxna och hos personer med Alzheimers sjukdom (AD) eller mild kognitiv svikt (MCI)3. Den metod som beskrivs här är baserad på visuell ord igenkänning men kan anpassas till auditiv modalitet. Vissa variabler som är signifikanta prediktorer för reaktions tider i ett typiskt visuellt lexikala besluts experiment kan dock inte förutsäga svars fördröjningar i ett auditiv lexikala beslut eller kan ha motsatt effekt. Till exempel, den fonologiska grannskapet har motsatt effekt över dessa två modaliteter5: ord med större fonologiska kvarter uppvisar en facilitatorisk effekt på visuell ord igenkänning men resultera i längre respons latens i det auditiva lexikala beslutet6.
Word-Finding svårigheter hos äldre vuxna7 har i allmänhet tillskrivas svårigheter att få till gång till fonologiska ord form snarare än en uppdelning av den semantiska representationen8. Men AD Research har främst fokuserat på semantiska ned gångar9,10,11,12,13,14. Det är viktigt att lösgör hur semantiska och ortografiska faktorer påverkar erkännandet av skrivna ord i åldrande med och utan kognitiv försämring. De formulärrelaterade faktorernas påverkan är mer uttalad hos äldre än hos yngre vuxna, och den är fortfarande betydande hos personer med MCI eller AD3. Således kan denna metod hjälpa oss att avslöja funktioner i det mentala lexikonet över olika populationer och identifiera förändringar i lexicons organisation med ålder och neuropatologi. Ett bekymmer när man testar patienter med neuropatologi är att de kan ha svårt att få till gång till uppgiftsrelaterad kunskap. Men den lexikala besluts uppgiften är en enkel uppgift utan belastning på arbets minnet eller andra komplexa kognitiva förmågor som många patienter uppvisar problem med. Det har ansetts lämpligt för AD-och MCI-populationer.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Protokollet följer rikt linjerna från etik kommittén i Norra Savolax sjukvårdsdistrikt (IRB00006251).
1. granskning av deltagare
- Rekrytera yngre och äldre vuxna som har normal eller korrigerad till normal syn och är infödda talare av det språk som testas om inte studien behandlar specifika forsknings frågor om andraspråk.
- För friska kontroll grupper, utesluta deltagare som har en historia av neurologiska eller psykiatriska störningar.
- För de kliniska grupperna, rekrytera individer som har diagnostiserats med Alzheimers sjukdom15 eller mild kognitiv svikt16,17. Rekrytera endast personer som kan ge informerat samtycke enligt läkarens bedömning. För noggranna jämförelser, matcha ålders intervallet och medelvärdet av de kliniska grupperna med de friska äldre vuxna deltagarna.
- Mät svårighets graden av demens, till exempel med hjälp av klinisk demens rating skala18 (CdR, 0 = ingen demens, 0.5 = mycket mild, 1 = mild, 2 = måttlig, 3 = svår). Utesluta patienter med svår demens eftersom uppgiften kan vara för svårt för dem. Inkludera inte deltagare som verkar oförmögen att följa instruktioner, trots deras allvarlighets grad.
2. stimulus konstruktion
- Välj ord stimuli för att ta itu med specifika forsknings frågor, till exempel om semantiska eller ortografiska/fonologiska variabler har en starkare inverkan på ord igenkänning19 i olika populationer.
- Beräkna från en Corpus20 eller hämta från en databas21 variabler som återspeglar semantiska, fonologiska och ortografiska egenskaper hos stimuli så att de kan användas antingen som teoretiskt motiverade prediktorer som förklarar ordet igenkännings reaktions tider eller som kontrollvariabler. Använd också deltagarnas kön, ålder och utbildnings år som förklarings-eller kontrollvariabler.
- Förutom de riktiga orden, bygga en uppsättning matchade pseudo-ord. Pseudo-ord liknar verkliga ord i att de överensstämmer med språkets normer för placering av vissa bokstäver i vissa ord positioner (phonotactics). För att styra för phonotactics, skapa pseudo-ord, till exempel genom att slumpmässigt kombinera de första stavelserna från några ord med andra stavelser från andra ord. Ta bort alla objekt som hänt att producera ett verkligt ord genom denna rekombination och alla objekt som bryter mot fonotax av språket.
- Matcha pseudo-ord med målet ord i termer av ordet längd i bokstäver och bigram frekvens, vilket är det genomsnittliga antalet gånger som alla kombinationer av två efterföljande bokstäver förekommer i en text corpus. Dessa variabler har visat sig påverka igenkännings hastigheten.
Anmärkning: manipulera pseudo-ord-förhållandet (t. ex. antalet riktiga ord i förhållande till antalet pseudo-ord) kan leda till olika resultat, med svar på mindre sannolika stimuli är långsammare och mindre exakt22. - Lägg till en uppsättning av riktiga ord fyllmedel för att minska deltagarens förväntad av nästa stimulans som tillhör en viss typ (t. ex. en viss inflectional klass). Välj dem, till exempel, från olika ord kategorier (t. ex. inflectional klasser) än de som används för att konstruera stimuli enligt de egenskaper av intresse.
3. experimentell design
- Nuvarande brev strängar horisontellt, en i taget, oftast en visuell vinkel på ca 5 °.
- Starta experimentet med en övningssession som innehåller ett litet antal prövningar, med ett ord presenterat per prov (t. ex. 15 ord och 15 pseudo-ord som inte ingår i själva experimentet). Detta är att bekanta deltagaren med uppgiften och svars knapparna. Om deltagaren inte svarar korrekt ("ja"-knappen för riktiga ord och "nej"-knappen för pseudo-ord) under övnings försöken, ge feedback och gör om övningssessionen.
- Dela experimentet i block och ge korta pauser efter övningssessionen och mellan blocken. Dessa raster gör det möjligt för deltagarna att vila sina ögon och kommer att minska trötthet.
- Starta varje nytt block med några filler objekt som inte kommer att ingå i analysen (t. ex. gemensamma substantiv som hund, syster, år) eftersom de första försöken av blocket ibland IGNORERAS av deltagare med MCI eller AD.
- Presentera experimentella objekt i slumpmässig ordning för varje deltagare.
- Börja varje rättegång med en fixering märke (t. ex. ett + tecken) visas i mitten av skärmen för 500 MS, följt av en tom skärm för en fast (t. ex. 500 MS) eller varierande tid (t. ex. 500-800 MS).
- Omedelbart efter den tomma skärmen, presentera en bokstavs sträng (ord eller pseudo-ord) för 1 500 MS eller tills deltagaren svarar.
- Efter ett svar görs eller efter 1 500 MS från uppkomsten av ordet (beroende på vilket som kommer först), Följ igen med en tom skärm tills 3000 MS har passerat från början av rättegången.
- Upprepa denna sekvens tills alla objekt i experimentet har presenter ATS.
Obs: tider för fördröjningen mellan stimuli fungerar som ett exempel. Om du ändrar dem kan det påverka resultat mönstret.
4. experimentellt förfarande
- Placera deltagaren framför en dator skärm med ett visnings avstånd på ca 80 cm i ett normalt upplyst rum.
- Instruera deltagaren att besluta så snabbt och korrekt som möjligt om bokstavs strängen på skärmen är ett verkligt ord eller inte genom att trycka på en av två motsvarande knappar med sin dominerande hand (t. ex. pekfingret för riktiga ord och lång fingret för pseudo-ord) eller med pekfingret på varje hand.
Deltagarna försöker optimera sina prestationer i enlighet med instruktionerna. Således kommer deras svar påverkas av att betona hastighet över noggrannhet eller vice versa23.
5. analysera data med en blandad effekt modell i R
Obs: många olika statistikprogram kan användas för att utföra analysen. I det här avsnittet beskrivs steg för att analysera data i R24.
- Få reaktions tiden (RT) mätt i millisekunder för varje test från utdatafilen för presentationsprogrammet (t. ex. program varan E-Studio).
- Installera paketen lme428 och lmertest29. Bifoga paket med funktions biblioteket eller Kräv.
- Importera data till R med hjälp av t ex funktionen Read. Table .
- Kontrol lera behovet av omvandling, t. ex. med funktionen boxcox från Mass paketet25, eftersom distributionen av RT-data vanligt vis är mycket skev.
> bibliotek (Mass)
> boxcox (RT ~ Expnanatory_variable, data = yourdata)
Anmärkning: grafen som produceras av funktionen boxcox visar ett 95% KONFIDENS intervall för parametern boxcox Transformation. Beroende på de lambdavärden som finns inom detta intervall kan den nödvändiga omvandlingen väljas, t. ex., λ = − 1 (inverterad Transformation), λ = 0 (logaritmisk omvandling), λ = 1/2 (kvadratrot omvandling), och λ = 1/3 (kubrotsomvandling).- Omvandla RT-värden med inverterade transformerade RTs (t. ex.-1000/RT) eller binära logaritmer av RTs (t. ex. LOG2 (RT)) eftersom dessa transformationer tenderar att ge mer normal-liknande fördelningar för reaktions tider i lexikala besluts experiment än råa RTs och 26.
- Alternativt kan du använda statistiska metoder som inte förlitar sig på normala distributioner och som passar robusta linjära modeller med blandade effekter och ger uppskattningar om vilka extrem värden eller andra kontamineringskällor som har föga inflytande27.
- Eftersom reaktions tid analyser utförs vanligt vis på korrekta svar, utesluta prövningar där deltagarnas svar var felaktig (ett svar på "nej" till riktiga ord) samt utelämnanden.
- Också utesluta svar på pseudo-ord och fyllmedel om det inte finns särskilda hypoteser om dem.
- Utesluta prövningar med svars tider snabbare än 300 MS eftersom de vanligt vis visar att deltagaren var för sent att svara på en tidigare stimulans eller att han eller hon av misstag tryckte på svars knappen innan du läser stimulus.
- Skapa en grundläggande linjär blandade effekter modell som identifierar RT som resultat måttet och ämne, objektoch rättegång som slumpmässiga effekter. Observera att variabler vars värden slumpmässigt samplas från en större uppsättning (population) av värden inkluderas som slumpmässiga effekter och variabler med ett litet antal nivåer eller för vilka alla nivåer ingår i data är fasta effekter. Lägg till slumpmässiga effekter i formuläret (1 | Ämne) för att uppskatta slumpmässiga avlyssningar för var och en av de slumpmässiga effekterna.
> G1 = lmer (RT ~ (1 | Ämne) + (1 | Objekt) + (1 | Trial), data = yourdata)
> Sammanfattning (G1) - Lägg till för klar ande variabler i en teoretiskt motiverad ordning. Lägg till exempel till ord bas frekvens som en fast effekt. Vissa variabler, till exempel bas-eller ytfrekvens, har Zipfian-distributioner, så sätt in dem i modellen med en omvandling som resulterar i en mer Gaussisk fördelnings form, till exempel logaritmisk omvandling.
> G2 = lmer (RT ~ log (BaseFrequency + 1) + (1 | Ämne) + (1 | Objekt) + (1 | Trial), data = yourdata)
> Sammanfattning (G2) - Kontrol lera med Anova -funktionen om du lägger till varje prediktor (t. ex. Basefrequency) avsevärt förbättrat den prediktiva kraften i modellen jämfört med en modell utan prediktor.
> Anova (G1, G2)- Om det inte finns någon signifikant skillnad i anfall av den nya modellen över den enklare modellen, föredrar den enklaste modellen med färre prediktorer. Kontrol lera också Akaike information kriterium (AIC)30 av varje modell. AIC är ett mått på hur väl statistiska modeller passar en uppsättning data enligt maximal sannolikhet. Lägre värden indikerar bättre pass form för data31.
> AIC (G1); AIC (G2)
- Om det inte finns någon signifikant skillnad i anfall av den nya modellen över den enklare modellen, föredrar den enklaste modellen med färre prediktorer. Kontrol lera också Akaike information kriterium (AIC)30 av varje modell. AIC är ett mått på hur väl statistiska modeller passar en uppsättning data enligt maximal sannolikhet. Lägre värden indikerar bättre pass form för data31.
- Upprepa steg 5,7. och 5,8. genom att lägga till andra för klar ande variabler, till exempel vissa av dem som presenteras i tabell 1, en efter en i en teoretiskt motiverad ordning och behålla endast de som avsevärt förbättrar den prediktiva kraften i modellen. Om variabel stimulans debut asynkron användes, inkludera det som en fast effekt variabel i modellen.
- Kontrol lera om det finns teoretiskt motiverade interaktioner mellan prediktorer. Till exempel lägga till en term för interaktion loggen för bas frekvens av ålder.
> G3 = lmer (RT ~ log (BaseFrequency + 1) + ålder + log (basefrequency + 1): ålder + (1 | Ämne) + (1 | Objekt) + (1 | Trial), data = yourdata)
Anmärkning: det är möjligt att en prediktor är betydande som en term för interaktion med en annan variabel, men inte signifikant som den huvudsakliga prediktorn. I det här fallet ska du inte ta bort den här prediktorn från modellen (inkludera den också som huvud effekt). - Lägg till av-deltagare slumpmässiga sluttningar32 för prediktorer genom att inkludera "1 +" före variabeln namn, sedan "| Ämne ", t. ex. (1 + log(basefrequency + 1) | Ämne), eftersom deltagarnas svars tider kan påverkas av ord lexikala egenskaper på olika sätt.
Anmärkning: om det finns många kontinuerliga prediktorer, så att de alla att ha slumpmässiga sluttningar är orealistiskt eftersom slumpmässiga lutning modeller kräver stora mängder data för att korrekt uppskatta avvikelser och kovarianser33,34. Om den maximala modellen inte konvergerar (med andra ord, framgångs rikt beräkna), förenkla modellen33. Alternativt kan implementera Bayesian versioner av Multilevel modellering35. - Kör analysen för varje deltagar grupp separat. Du kan också köra en analys på alla data, med gruppen som en fast-effekt-prediktor och sedan testa för en interaktion av gruppen av signifikanta Predictors.
> G4 = lmer (RT ~ log (BaseFrequency + 1) + ålder + log (BaseFrequency + 1): ålder + grupp + log (BaseFrequency + 1): grupp + (1 + log (BaseFrequency + 1) | Ämne) + (1 | Objekt) + (1 | Trial), data = yourdata) - För att undanröja påverkan av eventuella avvikare, undanta data punkter med absolut standardiserade residualer som överstiger, t. ex. 2,5 standard avvikelser26, och montera modellen igen med de nya uppgifterna (yourdata2).
> yourdata2 = yourdata [ABS (skala (Resid (G4))) < 2,5,]
> G5 = lmer (RT ~ log (BaseFrequency + 1) + Age + log (BaseFrequency + 1): ålder + grupp + logg (BaseFrequency + 1): grupp + (1 + log (BaseFrequency + 1) | Ämne) + (1 | Objekt) + (1 | Trial), data = yourdata2)
Obs: inte alla extrema data punkter är skadliga för modellen-bara de som har överdriven hävstång över modellen. - När det gäller undersökande (data driven) analys, Använd bakåt stegvis regression: inkludera alla variabler i den ursprungliga analysen och sedan ta bort icke-signifikanta variabler från modellen i en steg-för-steg-mode. Alternativt kan du använda den automatiska proceduren för att eliminera icke-signifikanta prediktorer med Step -funktionen som tillhandahålls av paketet lmertest29.
> steg (G4)
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Tabell 1 visar en lista över variabler som erhölls från tre olika källor (en Corpus, en ordbok och pilot test av test objekt) som ingår i analysen som fast-effekt-prediktorer. Många av dessa variabler har tidigare rapporter ATS påverka ord igenkännings hastigheten.
| Corpus: | |
| Bas frekvens | antalet gånger ett ord visas i Corpus i alla dess olika former (t. ex. barn och barn) |
| Bigram-frekvens | Genomsnittligt antal gånger som alla kombinationer av två efterföljande bokstäver förekommer i Corpus |
| Morfologisk familje storlek | antalet härledda och sammansatta ord som delar ett morfem med substantivet |
| Morfologisk familj frekvens | den summerade bas frekvensen för alla morfologiska familje medlemmar |
| Pseudomorfologiska familjens storlek | omfattar inte bara "sanna" morfologiska familje medlemmar utan också ord som efterliknar morfologiska familje medlemmar i sin ortografiska form, oavsett om de är faktiska morfem, och därmed representerar ortografisk överlappning men inte nödvändigt vis semantisk överlappning |
| Pseudomorfologisk familje frekvens | den summerade bas frekvensen för alla pseudomorfologiska familje medlemmar |
| Ytfrekvens | antalet gånger ett ord visas i Corpus i exakt samma form (t. ex. barn). |
| Trigrams frekvens | Genomsnittligt antal gånger som alla kombinationer av tre efterföljande bokstäver förekommer i Corpus |
| Ordbok: | |
| Hamming avstånd av en | antalet ord av samma längd men som bara skiljer sig åt i en enda bokstav36 |
| Längd | antalet bokstäver |
| Ortografisk stadsdel densitet | antalet ord med samma längd men som skiljer sig endast i den ursprungliga bokstaven37, 38 |
| Pilot testning: | Sexton deltagare angav på en sexpunktskalskala (från 0 till 5) sina uppskattningar för vart och ett av mål orden på följande parametrar. |
| Som korrekt namn | Hur ofta ordet ses som ett riktigt namn (t. ex. som ett släkt namn, som Baker)39 |
| Konkretion | diresthet med vilka ord hänvisar till konkreta enheter40 |
| Förtrogenhet betyg | hur bekant ordet är |
| Imageability (bild) | den lätthet och snabbhet med vilka ord framkalla mentala bilder40 |
I tabell 1. Variablerna som ingår i analysen av blandade effekter som prediktorer med fast effekt, erhållna från tre olika källor (en Corpus, en ordbok och pilot testning av test objekt).
Antalet för klar ande variabler kan vara mindre eller större beroende på forsknings frågorna och på tillgängligheten av variablerna från databaser, lexikon eller corpora. Men, inklusive ett stort antal lexikala funktioner som prediktorer kan leda till komplikationer i form av kolinjäritet mellan prediktorer, när prediktorer korrelerar med varandra och därmed utöva liknande effekter på utfallet måttet. Till exempel kan konkrethet och bildbarhet av ord vara mycket korrelerade. Ett antagande i en linjär Regressions analys är att prediktorvariablerna är oberoende av varandra. Men eftersom fler variabler läggs till modellen, risken att vissa variabler inte är oberoende av varandra ökar. Ju högre korrelation mellan variablerna, desto skadligare denna kolinjäritet kan vara för modellen41. En potentiell konsekvens av kollinearitet är att signifikansnivån hos vissa prediktorer kan vara falsk.
För att undvika effekten av kollinearitet mellan prediktorer, bör antalet prediktorer minskas. Om två prediktorer visar kollinearitet, bör bara en av dem inkluderas i modellen. Men om mer än två prediktorer visar kollinearitet, då utesluter alla utom en skulle leda till en förlust av var Ian sen förklaras. Å ena sidan kan en forskare minska antalet för klar ande variabler som redan finns i den experimentella designen a priori, och lämna endast de som är hypotes drivna (teoretiskt motiverade) och som gör det möjligt för forskaren att testa hypoteser mellan olika populationer. Å andra sidan, ibland finns det ingen befintlig teori, och därför är det rimligt att använda Principal Component Analysis (PCA)41 för att minska antalet prediktorer genom att kombinera prediktorer som har liknande effekter i komponenter. I den här analysen var prediktorutrymmet ortogonaliserat och de viktigaste komponenterna i det nya utrymmet användes som prediktorer (följande steg beskrivs här41 på sidorna 118-126). En nackdel med att använda PCA är att ibland komponenterna gör det svårt att lösgöra effekterna av flera Predictors; de kan alla framträda med starka belastningar på samma huvud komponent.
Vi förvandlade alla lexikala prediktorer till fem huvud komponenter för att undersöka hur hastigheten för ord igenkänning kan vara annorlunda för yngre vuxna och äldre vuxna. Endast två av dem var dock signifikanta i de unga vuxnas uppgifter (tabell 3): PC1 och PC4. Tre huvud komponenter (PCs) var signifikanta prediktorer i modellen för äldre kontroller (tabell 4), MCI (tabell 5) och personer med AD (tabell 6).
| PC2 | |
| Bigram freq. | -0,390 |
| Hamming avstånd av en | -0,350 |
| Sista trigram freq. | -0,330 |
| Kvarter täthet | -0,320 |
| Längd | -0,226 |
| Inledande trigram freq. | -0,224 |
| Pseudo-familjens storlek (Final) | -0,124 |
| Pseudo-familj freq. (Final) | -0,052 |
| Familj freq. (föreningar) | -0,042 |
| Familjens storlek (föreningar) | -0,039 |
| Familj freq. (härledda ord) | -0,036 |
| Familje storlek (härledda ord) | -0,034 |
| Yta freq. | -0,023 |
| Bas freq. | -0,008 |
| Pseudo-familjens storlek (initial) | 0,070 |
| Förtrogenhet betyg | 0,093 |
| Som korrekt namn | 0,102 |
| Pseudo-familj freq. (initial) | 0,113 |
| Konkretion | 0,275 |
| Imageability (bild) | 0,296 |
| Pseudo-familjens storlek (intern) | 0,296 |
| Pseudo-familj freq. (intern) | 0,316 |
I tabell 2. Rotations mat ris för PC2. Belastningarna är i vilken grad varje variabel bidrar till komponenten. Denna tabell har modifierats med tillstånd från cortex3.
Tabell 2 presenterar de lexikala variablerna med sina belastningar på PC2. De starkaste positiva belastningarna av PC2 var pseudo-familjens storlek och frekvens för överlappning i den interna positionen. Den starkaste negativa belastningen var bigram frekvens, Hamming avstånd av en, Final trigram frekvens, och ortografiska kvarter densitet. Eftersom alla dessa variabler är främst formulärbaserade snarare än mening-baserade, PC2 tolkas som återspeglar påverkan av formulärbaserade aspekter av ett ord på ord igenkännings hastighet.
Tabell 3 visar resultaten av analysen av blandade effekter för unga vuxna (31 deltagare). Eftersom PC2 inte var en signifikant prediktor för unga vuxnas svars tider (se tabell 3) verkar detta tyda på att dessa formulärbaserade variabler har mindre påverkan på de unga vuxnas reaktions tider jämfört med äldre vuxna, inklusive de med AD eller MCI .
| Fasta effekter | Uppskattning | Std. fel | t-värde | p-värde |
| Avlyssna | -1,31 | 0,05 | -26,36 | < 0,001 |
| Allomorfer | -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 |
| Slumpmässiga effekter | ||||
| Grupper | Namn | Varians | Std. dev. | Corr |
| Objekt | Avlyssna | 0,009 | 0,095 | |
| Ämne | Avlyssna | 0,032 | 0,179 | |
| PC1 | 4.765 e-05 | 0,007 | 0,08 | |
| Resterande | 0,005 | 0,235 | ||
| Antal Obs. 2862; Punkt, 99; Ämne, 31 | ||||
I tabell 3. Uppskattade koefficienter, standard fel och t-och p-värden för blandade modeller monterade på svars latenser framkallade för riktiga ord för unga vuxna. Denna tabell har modifierats med tillstånd från cortex3.
Uppskattningen för en variabel med fast effekt kan tolkas som det belopp som den beroende VARIABELN (RT) ökar eller minskar om värdet för den här fasta effekten ändras. Om uppskattningen är negativ innebär det att variabeln korrelerar negativt med reaktions tider (ju högre variabeln är, desto mindre (snabbare) reaktions tider). T-värdet bör vanligt vis vara mindre än-2 eller större än 2 för att prediktorn ska vara betydande.
Tabell 4, tabell 5och tabell 6 visar resultaten av analysen av blandade effekter för äldre kontroller (17 deltagare), personer med MCI (24 deltagare) och personer med AD (21 deltagare).
En intressant skillnad mellan de tre äldre grupperna framkom: utbildning förutspådde betydligt snabbare ord igenkänning i äldre kontroller (tabell 4; uppskattningen för utbildning är negativ, vilket innebär att fler år av utbildning för knippas med snabbare reaktions tider) och personer med MCI (tabell 5), men inte hos personer med AD (tabell 6; Utbildning tappades från modellen eftersom det inte var en signifikant prediktor), även om det inte fanns någon uppenbar skillnad i variationen i år av utbildning bland dessa grupper (AD: medelvärde 10,8 år, SD 4,2, Range 5-19; MCI: medelvärde 10,4 år, SD 3,5, intervall 6-17; äldre kontroller: medelvärde 13,7 år, SD 3,7, intervall 8-20).
| Fasta effekter | Uppskattning | Std. fel | t-värde | p-värde |
| Avlyssna | -0,72 | 0,157 | -4,574 | < 0,001 |
| Allomorfer | -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 |
| Utbildning | -0,024 | 0,011 | -2,237 | 0,041 |
| Slumpmässiga effekter | ||||
| Grupper | Namn | Varians | Std. dev. | |
| Objekt | Avlyssna | 0,003 | 0,057 | |
| Ämne | Avlyssna | 0,026 | 0,16 | |
| Resterande | 0,033 | 0,181 | ||
| Antal Obs. 1595; Punkt, 99; Ämne, 17 | ||||
I tabell 4. Uppskattade koefficienter, standard fel och t-och p-värden för blandade modeller monterade på svars latenser framkallade för riktiga ord för äldre kontroller. Denna tabell har modifierats med tillstånd från cortex3.
| Fasta effekter | Uppskattning | Std. fel | t-värde | p-värde |
| Avlyssna | -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 |
| Utbildning | -0,039 | 0,01 | -3,708 | 0,001 |
| Slumpmässiga effekter | ||||
| Grupper | Namn | Varians | Std. dev. | |
| Objekt | Avlyssna | 0,003 | 0,056 | |
| Ämne | Avlyssna | 0,03 | 0,174 | |
| Resterande | 0,061 | 0,248 | ||
| Antal Obs. 2227; Punkt, 99; Ämne, 24 | ||||
I tabell 5. Uppskattade koefficienter, standard fel och t-och p-värden för blandade modeller monterade på svars latenser framkallade för riktiga ord för personer med MCI. Denna tabell har modifierats med tillstånd från cortex3.
| Fasta effekter | Uppskattning | Std. fel | t-värde | p-värde |
| Avlyssna | -0,876 | 0,051 | -17,017 | < 0,001 |
| Allomorfer | -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 |
| Slumpmässiga effekter | ||||
| Grupper | Namn | Varians | Std. dev. | Corr |
| Rättegång | Avlyssna | 0,001 | 0,034 | |
| Objekt | Avlyssna | 0,002 | 0,049 | |
| Ämne | Avlyssna | 0,045 | 0,212 | |
| PC1 | 4.138 e-05 | 0,006 | 0,83 | |
| Resterande | 0,026 | 0,162 | ||
| Antal Obs. 1879; Punkt, 99; Ämne, 21 | ||||
I tabell 6. Uppskattade koefficienter, standard fel och t-och p-värden för de blandade modellerna som är monterade på svars latenser som framkallas för verkliga ord för personer med AD. Denna tabell har modifierats med tillstånd från cortex3.
Den studie som rapporterades här behandlade en ytterligare fråga: om antalet stam allomorfer i samband med ett ord påverkar hastigheten på ord igenkänning42,43. Stammen allomorfer är olika former av ett ord stam över olika språkliga sammanhang. Till exempel, på engelska, har foten två stam allomorphs, fot och fötter. Ord stammen ändras med andra ord beroende på om den är i singular-eller plural formen. Studien som beskrivs här testade talare av finska, ett språk som har ganska lite mer komplexitet i sin stam förändringar jämfört med engelska. Ord med större stam allomorfi (dvs ord med fler förändringar av deras stammar) framkallade snabbare reaktions tider i alla grupper (tabell 3, tabell 4och tabell 6; uppskattningarna för antalet allomorfer var negativa, vilket innebär att högre antal allomorfer ett ord hade, desto snabbare reaktions tider det framkallade) utom MCI-gruppen (tabell 5, antalet allomorfer var inte en signifikant prediktor och därmed föll från modellen).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Genom att använda en enkel språk uppgift som inte kräver språk produktion, undersökte den aktuella studien effekten av olika lexikala variabler på ord igenkänning i neurologiskt friska yngre och äldre vuxna, samt hos personer med Alzheimers sjukdom eller mild kognitiv svikt. Det ålders intervall som används för att rekrytera "äldre vuxna" kan bero på de specifika forsknings intressena. intervallet för den friska äldre gruppen bör dock så nära som möjligt matcha ålders intervallet och distributionen för personer med MCI eller AD som rekryterats för samma studie.
För att undvika kollinearitet mellan prediktorer, var de lexikala variablerna ortogonaliserade till huvud komponenter och lades till i modellerna med blandade effekter, där reaktions tider fungerade som den beroende variabeln. Kombinationen av ett enkelt lexikalt besluts experiment och en Regressions analys med blandade effekter ledde till det nya konstaterandet att språk svårigheterna för patienter med AD kan tillskrivas inte bara förändringar i det semantiska systemet utan också ett ökat beroende i ord form. Intressant, ett liknande mönster hittades för personer med mild kognitiv svikt och kognitivt friska äldre. Detta tyder på att ett ökat beroende av formulärbaserade aspekter av språk bearbetning kan vara en del av en gemensam åldersrelaterade förändring i skriftlig ord igenkänning.
I en faktoriell design, forskare skapar traditionellt två eller flera uppsättningar av ord som skiljer sig åt beroende på variabeln av intresse och sedan matcha dessa uppsättningar av ord på ett antal andra lexikala egenskaper som kan påverka bearbetnings hastigheten. Antagandet är att alla beteendemässiga skillnader som erhålls mellan dessa två uppsättningar av ord bör hänföras till den manipulerade (dvs., omatchade) variabel. Ett problem med denna typ av design är att det är mycket svårt att matcha uppsättningar av ord på mer än ett fåtal variabler. Ett annat problem är att det kan finnas vissa potentiellt signifikanta variabler som orduppsättningarna inte matchades på eller inte kunde matchas på av olika anledningar. Också, den faktoriella designen behandlar kontinuerliga fenomen som om de är dikotomösa faktorer. Användningen av blandade effekter modeller för statistisk analys av beteende data tillåter forskaren att inkludera potentiellt viktiga lexikala variabler som för klar ande variabler utan att behöva matcha ord eller listor med ord enligt dessa variabler. I en modell med blandade effekter läggs variablerna subject (deltagar kod/-nummer), objekt (experimentell stimuli) och Trial (försöks nummer) till som slumpmässiga effekter. De slumpmässiga avlyssningar inkluderades eftersom det förutsätts att försöks personerna varierar i deras totala reaktions tider (dvs vissa deltagare är naturligtvis långsammare eller snabbare över hela linjen)
Denna metod kan tillämpas på andra typer av frågor och andra populationer, t. ex., flerspråkig eller individer med afasi. För den förstnämnda gruppen kan språk behandlingen skilja sig från enspråkiga, så denna variabel bör övervägas om man rekryterar en blandad population, antingen genom att begränsa rekryteringen till endast en typ av grupp eller genom att jämföra resultaten senare för att avgöra om språk bakgrund påverkat resultaten.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Vi tackar Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen och Hilkka Soininen för deras bidrag till den data insamling och behandling som rapporter ATS här. Data insamlingen stöddes av VPH demens forskning möjliggörs av EU, bidrags avtal 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).
