Waiting
Login processing...

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

Behavior

Lexikalische Entscheidungsaufgabe zum Studium der schriftlichen Worterkennung bei Erwachsenen mit und ohne Demenz oder leichte kognitive Beeinträchtigung

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

Dieser Artikel beschreibt, wie man ein einfaches lexikalisches Entscheidungsexperiment implementiert, um die schriftliche Worterkennung bei neurologisch gesunden Teilnehmern und bei Personen mit Demenz und kognitivem Verfall zu bewerten. Wir bieten auch eine detaillierte Beschreibung der Reaktionszeitanalyse mit Hilfe der Hauptkomponentenanalyse (PCA) und der Modellierung gemischter Effekte.

Abstract

Ältere Erwachsene erkennen visuelle Objekte langsamer als jüngere Erwachsene. Dasselbe gilt für die Erkenntnis, dass eine Buchstabenzeichenfolge ein echtes Wort ist. Menschen mit Alzheimer -Krankheit (AD) oder leichter kognitiver Beeinträchtigung (MCI) zeigen noch längere Reaktionen in schriftlicher Worterkennung als ältere Kontrollen. Trotz der allgemeinen Tendenz zur langsameren Erkennung bei Alterung und neurokognitiven Störungen beeinflussen bestimmte Merkmale von Wörtern die Fähigkeit zur Worterkennung unabhängig von Alter oder Neuropathologie (z. B. die Häufigkeit der Verwendung eines Wortes). Wir stellen hier ein Protokoll zur Untersuchung des Einflusses lexikalischer Merkmale auf die Reaktionszeiten der Worterkennung in einem einfachen lexikalischen Entscheidungsexperiment vor, das jüngeren und älteren Erwachsenen und Menschen mit MCI oder AD verabreicht wird. In diesem Experiment werden die Teilnehmer gebeten, so schnell und genau wie möglich zu entscheiden, ob eine bestimmte Buchstabenzeichenfolge ein tatsächliches Wort ist oder nicht. Wir beschreiben auch Modelle mit gemischten Effekten und die Analyse von Hauptkomponenten, mit denen der Einfluss verschiedener Arten von lexikalischen Variablen oder individuellen Merkmalen der Teilnehmer auf die Worterkennungsgeschwindigkeit erkannt werden kann.

Introduction

Wörter werden im mentalen Lexikon in einem stark miteinander verbundenen Netzwerk gespeichert. Die Verbindungen zwischen Wörtern können gemeinsame Eigenschaften widerspiegeln, wie z. B. semantische Ähnlichkeit (z. B. Hund und Katze), Formähnlichkeit (Hund und Nebel)oder häufiges Zusammenvorkommen im gemeinsamen Sprachgebrauch (z. B. Hund und Katze) Leine). Kognitive Sprachtheorien, wie die nutzungsbasierte Theorie1, argumentieren, dass jede Begegnung eines Wortes durch einen Sprachbenutzer einen Einfluss auf die geistige Repräsentation des Wortes hat. Laut Exemplar Theory besteht die Darstellung eines Wortes aus vielen Exemplaren, die aus einzelnen Zeichen des Sprachgebrauchs aufgebaut sind und die Variabilität darstellen, die für eine bestimmte Kategorie besteht. Die Häufigkeit der Verwendung2 beeinflusst Darstellungen im Gedächtnis, indem sie zur Stärke eines Beispiels1beiträgt.

Die Geschwindigkeit der Worterkennung kann die Eigenschaften des mentalen Lexikons offenbaren. Ein häufig verwendetes experimentelles Paradigma zur Messung der Geschwindigkeit der Worterkennung ist die lexikalische Entscheidungsaufgabe. Bei dieser Aufgabe werden den Teilnehmern Buchstabenstrings auf einem Monitor nacheinander dargestellt. Sie werden angewiesen, so schnell wie möglich zu entscheiden, ob die Buchstabenschnur auf dem Bildschirm ein echtes Wort ist oder nicht, indem Sie die entsprechende Taste drücken.

Durch die Untersuchung der Reaktionszeiten für reale Wörter können Forscher eine Reihe wichtiger Fragen zur Sprachverarbeitung angehen. Wenn Sie beispielsweise ermitteln, welche Faktoren die Erkennung beschleunigen, können Hypothesen über die Struktur des mentalen Lexikons getestet und seine Architektur enthüllt werden. Darüber hinaus können Leistungsvergleiche über verschiedene Gruppen von Teilnehmern hinweg uns helfen, den Einfluss verschiedener Arten von Spracherfahrungen zu verstehen, oder, im Falle von Alterungs- oder neurodegenerativen Erkrankungen (z. B. Alzheimer-Krankheit), die Rolle Ablehnen.

Einige Faktoren (z. B. die Häufigkeit der Verwendung) haben einen größeren Einfluss auf die Worterkennung als andere Faktoren (z. B. Wortlänge). Mit zunehmendem Alter kann sich die Art und Weise, wie Menschen geschriebene Wörter erkennen, ändern3,4. Jüngere Erwachsene neigen dazu, sich stark auf semantische (bedeutungsbasierte) Aspekte eines Wortes zu verlassen, wie z. B. wie viele Verbindungen (z. B. Bulldogge ) oder abgeleitete Wörter (z. B. Doggy) Aspekte von Form und Bedeutung mit dem Zielwort (in diesem Fall Hund) teilen. Die Worterkennung für ältere Erwachsene scheint stärker von formbasierten Aspekten beeinflusst zu sein, wie z. B. der Häufigkeit, mit der zwei nachfolgende Buchstaben in der Sprache auftreten (z. B. tritt die Buchstabenkombination in englischen Wörtern häufiger auf als die Kombination sk).

Um die Faktoren zu bestimmen, die die Worterkennungsgeschwindigkeit über verschiedene Gruppen hinweg beeinflussen, kann der Forscher bestimmte Variablen im Stimulussatz manipulieren und dann die Leistung dieser Variablen testen, um die Worterkennungsgeschwindigkeit vorherzusagen. Um beispielsweise zu testen, ob die Worterkennung von semantischen oder formbasierten Faktoren gesteuert wird, sollte der Stimulussatz Variablen enthalten, die den Grad der Konnektivität eines Wortes zu seinen semantischen Nachbarn im mentalen Lexikon oder seine Verbindung zu anderen Wörtern widerspiegeln. die einen Teil ihrer Form teilen.

Diese Methode wurde in der aktuellen Studie verwendet, um zu untersuchen, ob die Geschwindigkeit der Worterkennung durch verschiedene Faktoren bei jüngeren und älteren Erwachsenen und bei Personen mit Alzheimer (AD) oder leichter kognitiver Beeinträchtigung (MCI) beeinflusst wird3. Die hier beschriebene Methode basiert auf visueller Worterkennung, kann aber an die akustische Modalität angepasst werden. Einige Variablen, die signifikante Prädiktoren für Reaktionszeiten in einem typischen visuellen lexikalischen Entscheidungsexperiment sind, können jedoch möglicherweise keine Reaktionslatenzen in einer auditiven lexikalischen Entscheidung vorhersagen oder den gegenteiligen Effekt haben. Zum Beispiel hat die phonologische Nachbarschaft den gegenteiligen Effekt über diese beiden Modalitäten5: Wörter mit größeren phonologischen Nachbarschaften zeigen eine erleichternde Wirkung auf die visuelle Worterkennung, führen aber zu längeren Reaktionslatenzen in auditive lexikalische Entscheidung6.

Wortfindungsschwierigkeiten bei älteren Erwachsenen7 wurden im Allgemeinen auf Schwierigkeiten beim Zugang zur phonologischen Wortform zurückgeführt, anstatt auf eine Aufschlüsselung der semantischen Darstellung8. Ad-Forschung hat sich jedoch in erster Linie auf semantische Rückgänge9,10,11,12,13,14konzentriert. Es ist wichtig zu entwirren, wie semantische und orthographische Faktoren die Erkennung von geschriebenen Wörtern im Alter mit und ohne kognitiven Verfall beeinflussen. Der Einfluss von formbezogenen Faktoren ist bei älteren als bei jüngeren Erwachsenen stärker ausgeprägt und bleibt bei Menschen mit MCI oder AD3signifikant. So kann uns diese Methode helfen, Merkmale des mentalen Lexikons in verschiedenen Populationen aufzudecken und Veränderungen in der Organisation des Lexikons mit Alter und Neuropathologie zu identifizieren. Ein Problem bei der Untersuchung von Patienten mit Neuropathologie ist, dass sie Schwierigkeiten beim Zugriff auf aufgabenbezogenes Wissen haben können. Die lexikalische Entscheidungsaufgabe ist jedoch eine einfache Aufgabe ohne Belastung des Arbeitsgedächtnisses oder anderer komplexer kognitiver Fähigkeiten, mit denen viele Patienten Probleme haben. Es wurde als angemessen für AD- und MCI-Populationen angesehen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Das Protokoll folgt den Richtlinien der Ethikkommission des Krankenhausbezirks Nord-Savo (IRB00006251).

1. Teilnehmer-Screening

  1. Rekrutieren Sie jüngere und ältere Erwachsene, die ein normales oder korrigiertes, auf normales Sehvermögen korrigiert haben und Muttersprachler der getesteten Sprache sind, es sei denn, die Studie befasst sich mit spezifischen Forschungsfragen zum Erwerb von Zweitsprachen.
  2. Bei gesunden Kontrollgruppen schließen Teilnehmer mit neurologischen oder psychiatrischen Störungen eine Vorgeschichte aus.
  3. Für die klinischen Gruppen, rekrutieren Personen, die mit Alzheimer-Krankheit diagnostiziert wurden15 oder leichte kognitive Beeinträchtigung16,17. Rekrutieren Sie nur Personen, die in der Lage sind, informierte Zustimmung zu geben, nach dem Urteil des Arztes. Für genaue Vergleiche stimmen Sie die Altersspanne und den Mittelwert der klinischen Gruppen mit dem der gesunden älteren erwachsenen Teilnehmer ab.
  4. Messen Sie den Schweregrad von Demenz, z. B. mit der Clinical Dementia Rating Scale18 (CDR, 0=keine Demenz, 0.5=sehr mild, 1=mild, 2=moderat, 3=schwer). Schließen Sie Patienten mit schwerer Demenz aus, weil ihnen die Aufgabe zu schwierig sein kann. Schließen Sie keine Teilnehmer ein, die trotz ihrer Schwerebewertung nicht in der Lage zu sein scheinen, Anweisungen zu befolgen.

2. Stimulus-Konstruktion

  1. Wählen Sie Wortreize aus, um spezifische Forschungsfragen zu beantworten, z. B. ob semantische oder orthographische/phonologische Variablen einen stärkeren Einfluss auf die Worterkennung19 in verschiedenen Populationen haben.
  2. Berechnen Sie aus einem Korpus20 oder rufen Sie aus einer Datenbank21 Variablen ab, die semantische, phonologische und orthographische Eigenschaften der Reize widerspiegeln, so dass sie entweder als theoretisch motivierte Prädiktoren verwendet werden können, die das Wort erklären Reaktionszeiten oder als Steuervariablen. Verwenden Sie auch das Geschlecht, das Alter und die Bildungsjahre der Teilnehmer als erklärende oder Kontrollvariablen.
  3. Erstellen Sie zusätzlich zu den echten Wörtern einen Satz übereinstimmender Pseudowörter. Pseudowörter ähneln echten Wörtern, da sie den Normen der Sprache für die Platzierung bestimmter Buchstaben in bestimmten Wortpositionen entsprechen (Phonotaktik). Um die Phonotaktik zu kontrollieren, erstellen Sie Pseudowörter, indem Sie beispielsweise zufällig die ersten Silbe aus einigen Wörtern mit den zweiten Silgen aus anderen Wörtern neu kombinieren. Entfernen Sie alle Elemente, die zufällig ein echtes Wort durch diese Rekombination zu produzieren und alle Elemente, die die Phonotaktik der Sprache verletzen.
  4. Passen Sie die Pseudowörter mit den Zielwörtern in Bezug auf die Wortlänge in Buchstaben und Bigram-Frequenz, das ist die durchschnittliche Anzahl der Male, dass alle Kombinationen von zwei nachfolgenden Buchstaben in einem Textkorpus auftreten. Es wurde gezeigt, dass diese Variablen die Erkennungsgeschwindigkeit beeinflussen.
    HINWEIS: Das Manipulieren des Pseudo-Wort-Verhältnisses (z. B. die Anzahl der realen Wörter relativ zur Anzahl der Pseudowörter) kann zu unterschiedlichen Ergebnissen führen, wobei die Antworten auf die weniger wahrscheinlichen Reize langsamer und weniger genausind 22.
  5. Fügen Sie eine Reihe von Real-Wort-Füllern hinzu, um die Erwartung des Teilnehmers des nächsten Stimulus zu verringern, der zu einem bestimmten Typ gehört (z. B. eine bestimmte Biegeklasse). Wählen Sie sie z.B. aus verschiedenen Wortkategorien (z.B. Biegeklassen) aus als aus den Klassen, die verwendet werden, um Reize entsprechend den Merkmalen des Interesses zu konstruieren.

3. Experimentelles Design

  1. Präsentieren Sie Buchstabenstrings horizontal, eine nach der anderen, und untertend einen visuellen Winkel von etwa 5°.
  2. Beginnen Sie das Experiment mit einer Übungseinheit, die eine kleine Anzahl von Versuchen umfasst, wobei pro Versuch ein Wort dargestellt wird (z. B. 15 Wörter und 15 Pseudowörter, die nicht im eigentlichen Experiment enthalten sind). Dadurch wird der Teilnehmer mit der Aufgabe und den Antwortschaltflächen vertraut gemacht. Wenn der Teilnehmer während der Praxisversuche nicht genau reagiert ("Ja"-Taste für echte Wörter und "Nein"-Taste für Pseudowörter), geben Sie Feedback und wiederholen Sie das Übungstraining.
  3. Teilen Sie das Experiment in Blöcke auf und geben Sie kurze Pausen nach der Übungseinheit und zwischen den Blöcken. Diese Pausen ermöglichen es den Teilnehmern, ihre Augen auszuruhen und werden Müdigkeit reduzieren.
  4. Beginnen Sie jeden neuen Block mit ein paar Füllelementen, die nicht in die Analyse einbezogen werden (z. B. gängige Substantive wie Hund, Schwester, Jahr), da die ersten Versuche des Blocks manchmal von Teilnehmern mit MCI oder AD ignoriert werden.
  5. Präsentieren Sie die experimentellen Elemente in einer zufälligen Reihenfolge für jeden Teilnehmer.
  6. Beginnen Sie jede Prüfung mit einem Fixierungszeichen (z. B. ein + Zeichen), das 500 ms in der Mitte des Bildschirms erscheint, gefolgt von einem leeren Bildschirm für eine feste (z. B. 500 ms) oder variable Zeit (z. B. 500-800 ms).
  7. Unmittelbar nach dem leeren Bildschirm eine Buchstabenzeichenfolge (Wort oder Pseudowort) für 1.500 ms oder bis der Teilnehmer antwortet.
  8. Nachdem eine Antwort oder nach 1.500 ms vom Beginn des Wortes (je nachdem, was zuerst kommt) erfolgt ist, folgen Sie erneut mit einem leeren Bildschirm, bis 3000 ms vom Beginn der Prüfung vergangen sind.
  9. Wiederholen Sie diese Reihenfolge, bis alle Elemente im Experiment dargestellt wurden.
    HINWEIS: Die Zeiten für die Verzögerung zwischen den Reizen dienen als Beispiel. Wenn Sie sie ändern, kann sich dies auf das Ergebnismuster auswirken.

4. Experimentelles Verfahren

  1. Stellen Sie den Teilnehmer in einem Sehabstand von ca. 80 cm vor einen Computermonitor in einem normal beleuchteten Raum.
  2. Weisen Sie den Teilnehmer an, so schnell und genau wie möglich zu entscheiden, ob die Buchstabenschnur auf dem Bildschirm ein echtes Wort ist oder nicht, indem Sie mit ihrer dominanten Hand (z. B. den Zeigefinger für echte Wörter und den Mittelfinger für Pseudo-Wörter) oder mit dem Zeigefinger jeder Hand.
    HINWEIS: Die Teilnehmer versuchen, ihre Leistung entsprechend den Anweisungen zu optimieren. So werden ihre Reaktionen durch Stressgeschwindigkeit über Genauigkeit oder umgekehrt23beeinflusst.

5. Analysieren von Daten mit einem Mixed-Effekt-Modell in R

HINWEIS: Für die Analyse können viele verschiedene statistische Programme verwendet werden. In diesem Abschnitt werden die Schritte zum Analysieren von Daten in R24beschrieben.

  1. Erhalten Sie die in Millisekunden gemessene Reaktionszeit (RT) für jede Testversion aus der Ausgabedatei des Präsentationsprogramms (z.B. E-Studio-Software).
  2. Installieren Sie die Pakete lme428 und lmerTest29. Fügen Sie Pakete mit der Funktionsbibliothek an oder benötigen Sie.
  3. Importieren Sie Daten in R, indem Sie z.B. die Read.Table-Funktion verwenden.
  4. Prüfen Sie die Notwendigkeit einer Transformation, z. B. mit der boxcox-Funktion aus dem MASS-Paket25, da die Verteilung von RT-Daten in der Regel stark verzerrt ist.
    > Bibliothek (MASS)
    > boxcox(RT - Expnanatory_variable, daten = IhreDaten)
    HINWEIS: Das von der boxcox-Funktion erzeugte Diagramm zeigt ein 95%-Konfidenzintervall für den Boxcox-Transformationsparameter. Abhängig von den Lambda-Werten, die sich innerhalb dieses Intervalls befinden, kann die erforderliche Transformation gewählt werden, z.B. die Transformation von s=-1 (inverse Transformation), die Transformation von s=0 (logarithmische Transformation), die Transformation von 1/2 (Quadratwurzeltransformation) und die Transformation von 1/3 (Würfelwurzeltransformation).
    1. Transformieren Sie die RT-Werte mit invertierten transformierten RTs (z. B. -1000/RT) oder binären Logarithmen von RTs (z. B. log2(RT)), da diese Transformationen tendenziell mehr normalähnliche Verteilungen für Reaktionszeiten in lexikalischen Entscheidungsexperimenten liefern als rohe RTs 26.
    2. Alternativ können Sie statistische Methoden verwenden, die sich nicht auf Normalverteilungen stützen und robuste modelle für lineare gemischte Effekte anpassen, und Schätzungen liefern, auf die Ausreißer oder andere Kontaminationsquellen wenig Einfluss haben27.
  5. Da Reaktionszeitanalysen in der Regel auf genaue Antworten durchgeführt werden, schließen Studien, in denen die Reaktion der Teilnehmer falsch war (eine Antwort von "Nein" auf echte Wörter) sowie Auslassungen aus.
    1. Schließen Sie auch Antworten auf Pseudowörter und Füllstoffe aus, es sei denn, es gibt spezifische Hypothesen über sie.
    2. Schließen Sie Versuche mit Reaktionszeiten von mehr als 300 ms aus, da sie in der Regel darauf hindeuten, dass der Teilnehmer zu spät auf einen vorherigen Stimulus reagiert hat oder dass er versehentlich die Antworttaste gedrückt hat, bevor er den Stimulus gelesen hat.
  6. Erstellen Sie ein grundlegendes modellfür lineare gemischte Effekte, das RT als Ergebniskennzahl und Subjekt, Elementund Prüfung als Zufallseffekte identifiziert. Beachten Sie, dass Variablen, deren Werte zufällig aus einem größeren Satz (Bevölkerung) von Werten abgetastet werden, als Zufallseffekte und Variablen mit einer kleinen Anzahl von Ebenen oder für die alle Ebenen in den Daten enthalten sind feste Effekte enthalten. Fügen Sie die Zufallseffekte im Formular hinzu (1 | Subjekt) zur Schätzung zufälliger Abfangmengen für jede der Zufälligen Effekte.
    > g1 = lmer (RT ( 1 | Betrifft) + (1 | Artikel) + (1 | Testversion), Daten = Ihre Daten)
    > Zusammenfassung (g1)
  7. Fügen Sie erklärende Variablen in einer theoretisch motivierten Reihenfolge hinzu. Fügen Sie beispielsweise die Basisfrequenz von Wörtern als festen Effekt hinzu. Einige Variablen, z. B. Basis- oder Oberflächenfrequenz, haben Zipfian-Verteilungen, also fügen Sie sie in das Modell mit einer Transformation ein, die zu einer eher gausästischen Verteilungsform führt, z. B. logarithmische Transformation.
    > g2 = lmer (RT - log(BaseFrequency + 1) + (1 | Betrifft) + (1 | Artikel) + (1 | Testversion), Daten = Ihre Daten)
    > Zusammenfassung (g2)
  8. Überprüfen Sie mit der Anova-Funktion, ob das Hinzufügen der einzelnen Prädiktoren (z. B. BaseFrequency) die Vorhersageleistung des Modells im Vergleich zu einem Modell ohne Prädiktor erheblich verbessert hat.
    > anova (g1, g2)
    1. Wenn es keinen signifikanten Unterschied in der Passform des neuen Modells gegenüber dem einfacheren Modell gibt, bevorzugen Sie das einfachste Modell mit weniger Prädiktoren. Überprüfen Sie außerdem das Akaike-Informationskriterium (AIC)30 jedes Modells. AIC ist ein Maß dafür, wie gut statistische Modelle entsprechend der maximalen Wahrscheinlichkeit in einen Datensatz passen. Niedrigere Werte weisen auf eine bessere Anpassung an die Daten31hin.
      > AIC (g1); AIC (g2)
  9. Wiederholen Sie die Schritte 5.7. und 5.8. durch Hinzufügen anderer erklärender Variablen, z. B. einiger, die in Tabelle 1dargestellt werden, eine nach der anderen in einer theoretisch motivierten Reihenfolge und beibehaltung nur derjenigen, die die Vorhersagekraft des Modells erheblich verbessern. Wenn variable Stimulus-Onset-Asynchronie verwendet wurde, schließen Sie sie als Variable mit fester Wirkung in das Modell ein.
  10. Prüfen Sie, ob theoretisch motivierte Interaktionen zwischen Prädiktoren möglich sind. Fügen Sie z. B. das Protokoll der Basisfrequenz nach Altereinen Begriff der Interaktion hinzu.
    > g3 = lmer (RT - log(BaseFrequency + 1) + Alter + log(BaseFrequency + 1) : Alter + (1 | Betrifft) + (1 | Artikel) + (1 | Testversion), Daten = Ihre Daten)
    HINWEIS: Es ist möglich, dass ein Prädiktor als Begriff der Interaktion mit einer anderen Variablen signifikant ist, aber nicht signifikant als Hauptprädiktor. Entfernen Sie in diesem Fall diesen Prädiktor nicht aus dem Modell (beziehen Sie ihn auch als Haupteffekt ein).
  11. Fügen Sie zufällige Neigungen32 für Prädiktoren hinzu, indem Sie "1 +" vor dem Variablennamen und dann "| Betreff", z.B. (1 + log(BaseFrequency + 1) | Thema), da die Reaktionszeiten der Teilnehmer auf unterschiedliche Weise von den lexikalischen Merkmalen von Wörtern beeinflusst werden können.
    HINWEIS: Wenn es viele kontinuierliche Prädiktoren gibt, ist es unrealistisch, wenn sie alle zufällige Neigungen haben, da zufällige Neigungsmodelle große Datenmengen erfordern, um Abweichungen und Kovarianzen genau zu schätzen33,34. Falls das maximale Modell nicht konvergiert (d. h. erfolgreich berechnet), vereinfachen Sie das Modell33. Alternativ können Sie Bayessche Versionen der Multilevel-Modellierung35implementieren.
  12. Führen Sie die Analyse für jede Teilnehmergruppe separat aus. Alternativ können Sie eine Analyse für alle Daten mit Gruppe als Prädiktor mit festem Effekt ausführen und dann eine Interaktion der Gruppe durch signifikante Prädiktoren testen.
    > g4 = lmer (RT - log(BaseFrequency + 1) + Alter + log(BaseFrequency + 1) : Alter + Gruppe + log(BaseFrequency + 1) : Gruppe + (1 + log(BaseFrequency + 1) | Betrifft) + (1 | Artikel) + (1 | Testversion), Daten = Ihre Daten)
  13. Um den Einfluss möglicher Ausreißer zu beseitigen, schließen Sie Datenpunkte mit absoluten standardisierten Residuen aus, die z.B. 2,5 Standardabweichungen26überschreiten, und passen Sie das Modell wieder an die neuen Daten an (yourdata2).
    > yourdata2 = yourdata [abs(scale(resid(g4))) < 2.5, ]
    > g5 = lmer (RT - log(BaseFrequency + 1) + Alter + log(BaseFrequency + 1) : Alter + Gruppe + log(BaseFrequency + 1) : Gruppe + (1 + log(BaseFrequency +1) | Betrifft) + (1 | Artikel) + (1 | Testversion), daten = ihreDaten2)
    HINWEIS: Nicht alle extremen Datenpunkte sind schädlich für das Modell – nur solche, die eine übermäßige Hebelwirkung auf das Modell haben.
  14. Verwenden Sie bei der explorativen (datengesteuerten) Analyse eine rückwärtsgewandte Regression: Schließen Sie alle Variablen in die Ausgangsanalyse ein, und entfernen Sie dann Schritt für Schritt nicht signifikante Variablen aus dem Modell. Alternativ können Sie das automatische Verfahren zur Eliminierung nicht signifikanter Prädiktoren mit der Schrittfunktion verwenden, die vom Paket lmerTest29bereitgestellt wird.
    > Schritt (g4)

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Tabelle 1 zeigt eine Liste der Variablen, die aus drei verschiedenen Quellen (ein Korpus, ein Wörterbuch und Pilottests von Testelementen) erhalten wurden, die als Prädiktoren mit fester Wirkung in die Analyse einbezogen werden. Viele dieser Variablen haben zuvor berichtet, dass sie die Geschwindigkeit der Worterkennung beeinflussen.

korpus:
Basisfrequenz die Häufigkeit, mit der ein Wort im Korpus in all seinen verschiedenen Formen erscheint (z. B. Kinder und Kinder)
Bigram-Frequenz die durchschnittliche Anzahl der Kombinationen zweier nachfolgender Buchstaben im Korpus
Morphologische Familiengröße die Anzahl der abgeleiteten und zusammengesetzten Wörter, die ein Morpheme mit dem Nomen teilen
Morphologische Familienhäufigkeit die summierte Basisfrequenz aller morphologischen Familienmitglieder
Pseudomorphologische Familiengröße umfasst nicht nur "wahre" morphologische Familienmitglieder, sondern auch Wörter, die morphologische Familienmitglieder in ihrer orthographischen Form imitieren, unabhängig davon, ob es sich um tatsächliche Morpheme handelt oder nicht, und stellt somit eine orthografische Überlappung dar, aber nicht unbedingt semantische Überlappung
Pseudomorphologische Familienhäufigkeit die summierte Basisfrequenz aller pseudomorphologischen Familienmitglieder
Oberflächenfrequenz die Häufigkeit, mit der ein Wort im Korpus in genau der gleichen Form (z. B. Kind) erscheint.
Trigrammfrequenz die durchschnittliche Anzahl der Kombinationen von drei nachfolgenden Buchstaben im Korpus
wörterbuch:
Hamming Abstand von einem die Anzahl der Wörter gleicher Länge, die sich jedoch nur in einem einzelnen Buchstaben unterscheidet36
länge die Anzahl der Buchstaben
Orthografische Nachbarschaftsdichte die Anzahl der Wörter mit der gleichen Länge, aber nur im Anfangsbuchstaben37,38
Pilottests: Sechzehn Teilnehmer gaben auf einer Sechs-Punkte-Skala (von 0 bis 5) ihre Schätzungen für jedes Der Zielwörter auf den folgenden Parametern an.
Als Eigenname wie oft das Wort als Eigenname angesehen wird (z.B. als Familienname, wie Baker)39
Konkretheit die Direktheit, mit der sich Wörter auf konkrete Einheiten beziehen40
Vertrautheitsbewertung wie vertraut das Wort ist
Bildbarkeit die Leichtigkeit und Geschwindigkeit, mit der Wörter mentale Bilder entlocken40

Tabelle 1. Die variablen, die in der Analyse der gemischten Effekte als Prädiktoren mit festem Effekt enthalten sind, die aus drei verschiedenen Quellen (ein Korpus, ein Wörterbuch und Pilottests von Testelementen) gewonnen werden.

Die Anzahl der erklärenden Variablen kann je nach Forschungsfragen und der Verfügbarkeit der Variablen aus Datenbanken, Wörterbüchern oder Korpora kleiner oder größer sein. Die Einbeziehung einer großen Anzahl von lexikalischen Merkmalen als Prädiktoren kann jedoch zu Komplikationen in Form von Kollinearität zwischen Prädiktoren führen, wenn Prädiktoren miteinander korrelieren und somit ähnliche Auswirkungen auf die Ergebnismessung ausüben. Beispielsweise können Konkretheit und Bildbarkeit von Wörtern stark korrelieren. Eine Annahme in jeder linearen Regressionsanalyse ist, dass die Prädiktorvariablen voneinander unabhängig sind. Wenn dem Modell jedoch mehr Variablen hinzugefügt werden, steigt das Risiko, dass einige der Variablen nicht voneinander unabhängig sind. Je höher die Korrelation zwischen den Variablen, desto schädlicher kann diese Kollinearität für das Modell41sein. Eine mögliche Folge der Kollinearität ist, dass das Signifikanzniveau einiger Prädiktoren falsch sein kann.

Um die Auswirkungen der Kollinearität zwischen Prädiktoren zu vermeiden, sollte die Anzahl der Prädiktoren reduziert werden. Wenn zwei Prädiktoren Kollinearität aufweisen, sollte nur einer von ihnen in das Modell einbezogen werden. Wenn jedoch mehr als zwei Prädiktoren Kollinearität aufweisen, würde der Ausschluss aller bis auf einen zu einem erklärten Varianzverlust führen. Einerseits könnte ein Forscher die Anzahl der erklärenden Variablen, die sich bereits im Versuchsdesign befinden, vonvornherein reduzieren, so dass nur diejenigen, die hypothesengetrieben sind (theoretisch motiviert) und die es dem Forscher ermöglichen, Hypothesen zwischen verschiedenen Populationen. Auf der anderen Seite gibt es manchmal keine theorie, und daher ist es sinnvoll, Principal Component Analysis (PCA)41 zu verwenden, um die Anzahl der Prädiktoren zu reduzieren, indem Prädiktoren, die ähnliche Effekte haben, in Komponenten kombiniert werden. In dieser Analyse wurde der Prädiktorraum orthogonalisiert und die Hauptkomponenten des neuen Raums wurden als Prädiktoren verwendet (nach folgenden Schritten, die hier41 auf den Seiten 118-126 beschrieben werden). Ein Nachteil der Verwendung von PCA ist, dass manchmal die Komponenten es schwierig machen, die Auswirkungen mehrerer Prädiktoren zu entwirren; sie alle können mit starken Belastungen auf der gleichen Hauptkomponente entstehen.

Wir haben alle lexikalischen Prädiktoren in fünf Hauptkomponenten umgewandelt, um zu untersuchen, wie sich die Geschwindigkeit der Worterkennung bei jüngeren und älteren Erwachsenen unterscheiden könnte. Bei den Daten junger Erwachsener (Tabelle 3)waren jedoch nur zwei von ihnen signifikant. Drei Hauptkomponenten (PCs) waren signifikante Prädiktoren im Modell für ältere Kontrollen (Tabelle 4), MCI (Tabelle 5) und Personen mit AD (Tabelle 6).

PC2
Bigram freq. -0,390
Hamming Abstand von einem -0,350
Endgültiges Trigramm freq. -0,330
Nachbarschaftsdichte -0,320
länge -0,226
Erstes Trigramm-Freq. -0,224
Pseudo-Familiengröße (endgültig) -0,124
Pseudo-Familie freq.(final) -0,052
Familienfreq. (Verbindungen) -0,042
Familiengröße (Verbindungen) -0,039
Familie freq. (abgeleitete Wörter) -0,036
Familiengröße (abgeleitete Wörter) -0,034
Oberfläche freq. -0,023
Basis-Freq. -0,008
Pseudo-Familiengröße (anfangs) 0,070
Vertrautheitsbewertung 0,093
Als Eigenname 0,102
Pseudo-Familie freq. (anfangs) 0,113
Konkretheit 0,275
Bildbarkeit 0,296
Pseudo-Familiengröße (intern) 0,296
Pseudo-Familie freq. (intern) 0,316

Tabelle 2. Die Rotationsmatrix für PC2. Die Belastungen sind der Grad, in dem jede Variable zur Komponente beiträgt. Diese Tabelle wurde mit Genehmigung von Cortex3geändert.

Tabelle 2 zeigt die lexikalischen Variablen mit ihren Belastungen auf PC2. Die stärksten positiven Belastungen von PC2 waren Pseudo-Familiengröße und Frequenz für Überlappung in der inneren Position. Die stärksten negativen Belastungen waren Bigram-Frequenz, Hamming-Abstand von einem, endgültige Trigramm-Frequenz, und orthografische Nachbarschaftsdichte. Da alle diese Variablen in erster Linie formbasiert und nicht bedeutungsbasiert sind, wird PC2 so interpretiert, dass es den Einfluss formbasierter Aspekte eines Wortes auf die Worterkennungsgeschwindigkeit widerspiegelt.

Tabelle 3 zeigt die Ergebnisse der Analyse der gemischten Effekte für junge Erwachsene (31 Teilnehmer). Da PC2 kein signifikanter Prädiktor für die Reaktionszeiten junger Erwachsener war (siehe Tabelle 3), scheint dies darauf hinzudeuten, dass diese formbasierten Variablen weniger Einfluss auf die Reaktionszeiten junger Erwachsener haben als ältere Erwachsene, einschließlich derer mit AD oder MCI. .

Feste Effekte schätzen Std.Error t-Wert p-Wert
(Abfangen) -1,31 0,05 -26,36 <0,001
Allomorphs -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
Zufällige Effekte
Gruppen name unterschied Std.Dev. Corr
Artikel (Abfangen) 0,009 0,095
Betreff (Abfangen) 0,032 0,179
PC1 4.765e-05 0,007 0,08
restlich 0,005 0,235
Anzahl der Obs. 2862; Artikel, 99; Betrifft, 31

Tabelle 3. Geschätzte Koeffizienten, Standardfehler und t- und p-Werte für die gemischten Modelle, die an die Antwortlatenzen angepasst sind, wurden für echte Wörter für junge Erwachsene ausgelöst. Diese Tabelle wurde mit Genehmigung von Cortex3geändert.

Die Schätzung für eine Variable mit festem Effekt kann als der Betrag interpretiert werden, um den die abhängige Variable (RT) erhöht oder verringert wird, wenn sich der Wert dieses festen Effekts ändert. Wenn die Schätzung negativ ist, bedeutet dies, dass die Variable negativ mit den Reaktionszeiten korreliert (je höher die Variable, desto kleiner (schneller) die Reaktionszeiten). Der t-Wert sollte in der Regel kleiner als -2 oder größer als 2 sein, damit der Prädiktor signifikant ist.

Tabelle 4, Tabelle 5und Tabelle 6 zeigen die Ergebnisse der Analyse der gemischten Effekte für ältere Kontrollen (17 Teilnehmer), Personen mit MCI (24 Teilnehmer) und Personen mit AD (21 Teilnehmer).

Ein interessanter Unterschied zwischen den drei älteren Gruppen ergab sich: Bildung deutlich vorhergesagt Geschwindigkeit der Worterkennung in älteren Kontrollen (Tabelle4; die Schätzung für Bildung ist negativ, was bedeutet, dass mehr Jahre der Bildung war schnellere Reaktionszeiten) und Personen mit MCI (Tabelle 5), jedoch nicht bei Personen mit AD (Tabelle 6; Die Bildung wurde aus dem Modell gestrichen, da sie kein signifikanter Prädiktor war), obwohl es keinen offensichtlichen Unterschied in der Variabilität der Bildungsjahre zwischen diesen Gruppen gab (AD: mittelwert 10,8 Jahre, SD 4,2, Bereich 5-19; MCI: Mittelwert 10,4 Jahre, SD 3.5, Bereich 6-17; ältere Kontrollen: Durchschnitt 13,7 Jahre, SD 3,7, Bereich 8-20).

Feste Effekte schätzen Std.Error t-Wert p-Wert
(Abfangen) -0,72 0,157 -4,574 <0,001
Allomorphs -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
erziehung -0,024 0,011 -2,237 0,041
Zufällige Effekte
Gruppen name unterschied Std.Dev.
Artikel (Abfangen) 0,003 0,057
Betreff (Abfangen) 0,026 0,16
restlich 0,033 0,181
Anzahl der Obs. 1595; Artikel, 99; Betrifft, 17

Tabelle 4. Geschätzte Koeffizienten, Standardfehler und t- und p-Werte für die gemischten Modelle, die an die Antwortlatenzen angepasst sind, wurden für echte Wörter für ältere Steuerelemente ausgelöst. Diese Tabelle wurde mit Genehmigung von Cortex3geändert.

Feste Effekte schätzen Std.Error t-Wert p-Wert
(Abfangen) -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
erziehung -0,039 0,01 -3.708 0,001
Zufällige Effekte
Gruppen name unterschied Std.Dev.
Artikel (Abfangen) 0,003 0,056
Betreff (Abfangen) 0,03 0,174
restlich 0,061 0,248
Anzahl der Obs. 2227; Artikel, 99; Betrifft, 24

Tabelle 5. Geschätzte Koeffizienten, Standardfehler und t- und p-Werte für die gemischten Modelle, die an die Antwortlatenzen angepasst sind, wurden für echte Wörter für Personen mit MCI ausgelöst. Diese Tabelle wurde mit Genehmigung von Cortex3geändert.

Feste Effekte schätzen Std.Error t-Wert p-Wert
(Abfangen) -0,876 0,051 -17.017 <0,001
Allomorphs -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
Zufällige Effekte
Gruppen name unterschied Std.Dev. Corr
Probephase (Abfangen) 0,001 0,034
Artikel (Abfangen) 0,002 0,049
Betreff (Abfangen) 0,045 0,212
PC1 4.138e-05 0,006 0,83
restlich 0,026 0,162
Anzahl der Obs. 1879; Artikel, 99; Betrifft, 21

Tabelle 6. Geschätzte Koeffizienten, Standardfehler und t- und p-Werte für die gemischten Modelle, die an die Antwortlatenzen angepasst sind, wurden für echte Wörter für Personen mit AD ausgelöst. Diese Tabelle wurde mit Genehmigung von Cortex3geändert.

Die hier berichtete Studie befasste sich mit einer zusätzlichen Frage: ob die Anzahl der Stammallomorphen, die mit einem Wort verbunden sind, die Geschwindigkeit der Worterkennung42,43beeinflusst. Stammallomorphe sind verschiedene Formen eines Wortstamms in verschiedenen sprachlichen Kontexten. Im Englischen hat der Fuß beispielsweise zwei Stammallomorphen, Fuß und Füße. Mit anderen Worten, das Wort Stamm ändert sich, je nachdem, ob es in der Singular- oder Pluralform ist. Die hier beschriebene Studie testete Sprecher von Finnisch, einer Sprache, die in ihren Stammänderungen im Vergleich zu Englisch eine wesentlich komplexere Sprache hat. Wörter mit größerer Stammallomorphie (d.h. Wörter mit mehr Änderungen an ihren Stämmen) lösten schnellere Reaktionszeiten in allen Gruppen aus (Tabelle3, Tabelle 4und Tabelle6; die Schätzungen für die Anzahl der Allomorphen waren negativ, d.h. die höher die Anzahl der Allomorphen, die ein Wort hatte, je schneller die Reaktionszeiten es auslöste) mit Ausnahme der MCI-Gruppe (Tabelle5; die Anzahl der Allomorphen war kein signifikanter Prädiktor und wurde daher aus dem Modell gestrichen).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Durch die Verwendung einer einfachen Sprachaufgabe, die keine Sprachproduktion erfordert, untersuchte die vorliegende Studie die Auswirkungen verschiedener lexikalischer Variablen auf die Worterkennung bei neurologisch gesunden jüngeren und älteren Erwachsenen sowie bei Menschen mit Alzheimer-Krankheit. oder milde kognitive Beeinträchtigung. Die Altersspanne, die für die Rekrutierung von "älteren Erwachsenen" verwendet wird, kann von den spezifischen Forschungsinteressen abhängen; Die Spanne für die Gruppe der gesunden älteren Menschen sollte jedoch so eng wie möglich mit der Altersspanne und der Verteilung für Personen übereinstimmen, die für dieselbe Studie mit MCI oder AD eingestellt wurden.

Um kollinearität zwischen Prädiktoren zu vermeiden, wurden die lexikalischen Variablen in Hauptkomponenten orthogonalisiert und den Modellen für gemischte Effekte hinzugefügt, wobei Reaktionszeiten als abhängige Variable dienten. Die Kombination aus einem einfachen lexikalischen Entscheidungsexperiment und einer Regressionsanalyse mit gemischten Effekten führte zu der neuartigen Feststellung, dass die Sprachschwierigkeiten für Patienten mit AD nicht nur auf Veränderungen des semantischen Systems, sondern auch auf eine erhöhte Abhängigkeit zurückzuführen sind. auf Wortform. Interessanterweise wurde ein ähnliches Muster für Menschen mit milder kognitiver Beeinträchtigung und kognitiv gesunden älteren Menschen gefunden. Dies deutet darauf hin, dass eine stärkere Abhängigkeit von formbasierten Aspekten der Sprachverarbeitung Teil einer gemeinsamen altersbedingten Änderung der schriftlichen Worterkennung sein könnte.

In einem faktoriellen Design erstellen Forscher traditionell zwei oder mehr Sätze von Wörtern, die sich je nach Interessenvariablen unterscheiden und diese Sätze dann auf eine Reihe anderer lexikalischer Merkmale abstimmen, die die Verarbeitungsgeschwindigkeit beeinflussen können. Die Annahme ist, dass jeder Verhaltensunterschied zwischen diesen beiden Satz von Wörtern der manipulierten (d. h. unübertroffenen) Variablen zugeordnet werden sollte. Ein Problem bei dieser Art von Design ist, dass es sehr schwierig ist, Sätze von Wörtern auf mehr als ein paar Variablen zu entsprechen. Ein weiteres Problem besteht darin, dass es möglicherweise einige potenziell signifikante Variablen gibt, auf denen die Wortsätze aus einer Vielzahl von Gründen nicht übereinstimmen oder nicht übereinstimmen konnten. Auch das faktorielle Design behandelt kontinuierliche Phänomene, als ob sie dichotome Faktoren sind. Die Verwendung von Mixed-Effekt-Modellen für die statistische Analyse der Verhaltensdaten ermöglicht es dem Forscher, potenziell wichtige lexikalische Variablen als erklärende Variablen einzuschließen, ohne dass Wörter oder Wortlisten entsprechend diesen Variablen übereinstimmen müssen. In einem Modell mit gemischten Effekten werden die Variablen Subject (Teilnehmercode/Nummer), Item (experimentelle Reize) und Studie (Testnummer) als Zufallseffekte hinzugefügt. Die zufälligen Intercepts wurden aufgenommen, weil angenommen wird, dass die Probanden in ihren Gesamtreaktionszeiten variieren (d. h., einige Teilnehmer sind natürlich langsamer oder schneller auf der ganzen Linie)

Diese Methode kann auf andere Arten von Fragen und auf andere Populationen angewendet werden, z. B. mehrsprachige oder Personen mit Aphasie. Für die erste Gruppe kann die Sprachverarbeitung von Einsprachigen abweichen, so dass diese Variable bei der Rekrutierung einer gemischtsprachigen Bevölkerung berücksichtigt werden sollte, entweder indem die Einstellung auf nur eine Gruppe beschränkt wird oder indem die Ergebnisse später verglichen werden, um festzustellen, ob Sprachhintergrund beeinflusste die Ergebnisse.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts zu verraten.

Acknowledgments

Wir danken Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen und Hilkka Soininen für ihren Beitrag zur Datenerhebung und -verarbeitung, über die hier berichtet wird. Die Datenerhebung wurde von VPH Dementia Research unterstützt, die durch die EU,- Grant-Vereinbarung Nr. 601055 ermöglicht wurde.

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

Verhalten Ausgabe 148 Worterkennung Lexikalentscheidung Psycholinguistik Altern Demenz Alzheimer Milde kognitive Beeinträchtigung Modelle mit gemischten Effekten Hauptkomponentenanalyse
Lexikalische Entscheidungsaufgabe zum Studium der schriftlichen Worterkennung bei Erwachsenen mit und ohne Demenz oder leichte kognitive Beeinträchtigung
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