Summary
Denne artikkelen beskriver hvordan du implementerer en enkel ord-forsøk for å vurdere skrevne ord anerkjennelse i nevrologisk sunne deltakere og hos personer med demens og kognitiv nedgang. Vi gir også en detaljert beskrivelse av reaksjonstid analyse ved hjelp av hovedkomponenter analyse (PCA) og blandede effekter modellering.
Abstract
Eldre voksne er tregere til å gjenkjenne visuelle objekter enn yngre voksne. Det samme gjelder for erkjenner at en bokstav streng er et reelt ord. Personer med Alzheimers sykdom (AD) eller mild kognitiv svekkelse (MCI) demonstrerer enda lengre svar i skriftlige ord anerkjennelse enn eldre kontroller. Til tross for den generelle tendensen til tregere anerkjennelse i aldring og nevrokognitive lidelser, visse karakteristikker av ord påvirke ordet anerkjennelse hastighet uavhengig av alder eller neuropatology (f. eks, et ord ' s bruksfrekvens). Vi presenterer her en protokoll for å undersøke påvirkning av ord egenskaper på ordet anerkjennelse responstid i et enkelt ord av et valg eksperiment administrert til yngre og eldre voksne og personer med MCI eller AD. I dette eksperimentet blir deltakerne bedt om å bestemme så raskt og nøyaktig som mulig om en gitt bokstav streng er et faktisk ord eller ikke. Vi beskriver også blandede effekter og hovedkomponenter analyse som kan brukes til å oppdage påvirkning av ulike typer av ord eller individuelle karakteristikker av deltakerne på ordet anerkjennelse hastighet.
Introduction
Ord er lagret i mental leksikon i et svært sammenhengende nettverk. Forbindelsene mellom ord kan gjenspeile delte egenskaper, for eksempel semantisk likhet (for eksempel hund og katt), formlikhet (hund og tåke), eller hyppig co-forekomst i felles språkbruk (f. eks hund og bånd). Kognitive teorier om språk, for eksempel bruk-basert teori1, hevder at hvert møte med et ord av et språk bruker har en effekt på ordet mentale representasjon. I henhold til forbilde, består et ord representasjon av mange eksempler, som er bygget opp fra individuelle tokens av språkbruk og som representerer variasjonen som finnes for en gitt kategori. Hyppigheten av bruk2 virkninger representasjoner inne hukommelse av bidrar å det styrke av en eksemplar1.
Word anerkjennelse hastighet kan avdekke egenskapene til den mentale leksikon. En vanlig brukt eksperimentell paradigme for å måle hastigheten på ordet anerkjennelse er de ord beslutningen oppgaven. I denne oppgaven vises deltakerne med brev strenger på en skjerm, én om gangen. De blir bedt om å bestemme så raskt som mulig om bokstav strengen på skjermen er et reelt ord eller ikke ved å trykke på den tilsvarende knappen.
Ved å undersøke reaksjonstider for virkelige ord, kan forskerne ta opp en rekke viktige spørsmål om språkbehandling. For eksempel identifisere hvilke faktorer som gjør anerkjennelse raskere kan teste hypoteser om strukturen i mental leksikon og avslører sin arkitektur. Videre kan sammenligninger av ytelse på tvers av ulike grupper av deltakere hjelpe oss å forstå påvirkning av ulike typer språk erfaring, eller, i tilfelle av aldring eller nevrodegenerative sykdommer (f. eks, Alzheimers sykdom), rollen til kognitiv Nedgang.
Noen faktorer (f.eks. brukshyppigheten) viser større innflytelse på ord gjenkjenningen enn andre faktorer (f.eks. ord lengde). Med fremmarsj alder, måten folk gjenkjenner skrevne ord kan endre3,4. Yngre voksne har en tendens til å stole tungt på semantiske (mening-basert) aspekter av et ord, for eksempel hvor mange forbindelser (f. eks, Bulldog) eller avledede ord (f. eks, doggy) dele aspekter av både form og mening med målet ordet (i dette tilfellet, hund). Word anerkjennelse for eldre voksne synes å være mer påvirket av form-baserte aspekter, for eksempel frekvensen at to etterfølgende bokstavene co-skje i språket (f. eks bokstaven kombinasjonen St forekommer oftere på engelsk ord enn kombinasjonen SK).
For å fastslå hvilke faktorer som påvirker ordet anerkjennelse hastighet på tvers av ulike grupper, kan forskeren manipulere visse variabler i stimulans satt og deretter teste kraften i disse variablene å forutsi ordet anerkjennelse hastighet. For eksempel, for å teste om ordet anerkjennelse er drevet av semantiske eller skjema-baserte faktorer, bør stimulans settet inkluderer variabler som reflekterer graden av tilkobling av et ord til sine semantiske naboer i mental leksikon eller dens tilkobling til andre ord som deler en del av sin form.
Denne metoden ble brukt i den aktuelle studien for å undersøke om ord gjenkjennings hastighet påvirkes av ulike faktorer hos yngre og eldre voksne og hos personer med Alzheimers sykdom (AD) eller mild kognitiv svekkelse (MCI)3. Metoden er beskrevet her er basert på visuelle ord anerkjennelse, men kan tilpasses til hørbar modalitet. Noen variabler som er betydelige prediktorer av reaksjonstider i et typisk visuelt del beslutnings eksperiment, kan imidlertid ikke forutsi responsen latencies i en hørsels avgjørelse eller kan ha motsatt effekt. For eksempel har fonologisk nabolaget motsatt effekt på tvers av disse to modaliteter5: ord med større fonologisk nabolag viser en facilitatory effekt på visuell ord gjenkjennelse men resultere i lengre respons latencies i avgjørelse6.
Word-finne vanskeligheter i eldre voksne7 har vært generelt tilskrevet vanskeligheter med å få tilgang til fonologisk ordet form i stedet for en oversikt over den semantiske representasjon8. Men ad forskning har primært fokusert på semantisk avtar9,10,11,12,13,14. Det er viktig å greie hvordan semantiske og ortografisk faktorer påvirker erkjennelsen av skriftlige ord i aldring med og uten kognitiv nedgang. Påvirkningen av skjemarelaterte faktorer er mer uttalt i eldre enn hos yngre voksne, og det er fortsatt viktig i personer med MCI eller AD3. Dermed kan denne metodikken hjelpe oss å avdekke funksjoner av mental leksikon på tvers av ulike populasjoner og identifisere endringer i leksikonet organisasjon med alder og neuropatology. En bekymring når du tester pasienter med neuropatology er at de kan ha vanskeligheter med å få tilgang til oppgave relatert kunnskap. Men det er en enkel oppgave å gjøre oppgaven uten belastning på arbeidshukommelsen eller andre komplekse kognitive ferdigheter som mange pasienter utviser problemer med. Det har blitt ansett som hensiktsmessig for AD og MCI populasjoner.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Protokollen følger retningslinjene for etikk komitéen i Hospital District of Northern Savo (IRB00006251).
1. deltaker screening
- Rekruttere yngre og eldre voksne som har normal eller korrigert-til-normal visjon og er morsmål av språket testet med mindre studien omhandler spesifikke forskningsspørsmål om andre språk oppkjøpet.
- For sunne kontroll grupper, Ekskluder deltakere som har en historie med nevrologiske eller psykiatriske lidelser.
- For de kliniske gruppene, rekruttere personer som har blitt diagnostisert med Alzheimers sykdom15 eller mild kognitiv svikt16,17. Rekruttere kun personer som er i stand til å gi informert samtykke, i henhold til lege dommen. For nøyaktige sammenligninger, matche aldersgruppen og gjennomsnittet av de kliniske gruppene med at av de friske eldre voksne deltakere.
- Mål alvorlighetsgraden av demens, for eksempel ved hjelp av klinisk demens rating skala18 (CDR, 0 = ingen demens, 0,5 = svært mild, 1 = mild, 2 = moderat, 3 = alvorlig). Ekskluder pasienter med alvorlig demens fordi oppgaven kan være for vanskelig for dem. Ikke ta med deltakere som ikke ser ut til å følge instruksjonene, til tross for alvorlighetsgraden.
2. stimulans konstruksjon
- Velg ord stimuli for å løse spesifikke undersøkelsesspørsmål, for eksempel hvorvidt semantiske eller ortografisk/fonologisk variabler har en sterkere innflytelse på ord gjenkjennelse19 i ulike populasjoner.
- Beregn fra en Corpus20 eller hente fra en database21 variabler som reflekterer semantiske, fonologisk, og ortografisk karakteristikker av stimuli slik at de kan brukes enten som teoretisk motivert prediktorer forklare ordet gjenkjennings reaksjonstider eller som kontroll variabler. Bruk også deltakernes kjønn, alder og års utdanning som forklarende eller kontroll variabler.
- I tillegg til de virkelige ordene, bygge et sett med matchet pseudo-ord. Pseudo-ord ligne ekte ord i at de samsvarer med språket normer for plassering av visse bokstaver i visse ord posisjoner (phonotactics). For å kontrollere for phonotactics, lage pseudo-ord, for eksempel ved tilfeldig recombining den første stavelser fra noen ord med andre stavelser fra andre ord. Fjerne alle artikler det skjedd å tilvirke en virkelig ord igjennom denne rekombinasjon og alle produktene det krenke phonotactics av språket.
- Matche pseudo-ord med mål ord i form av ordet lengde i bokstaver og bigram frekvens, som er gjennomsnittlig antall ganger at alle kombinasjoner av to etterfølgende bokstavene forekommer i en tekst Corpus. Disse variablene har vist å påvirke gjenkjennings hastigheten.
Merk: manipulering av pseudo-ordet ratio (f. eks, antall virkelige ord i forhold til antall pseudo-ord) kan føre til ulike resultater, med svar på mindre sannsynlige stimuli blir tregere og mindre nøyaktig22. - Legg til et sett av Real-Word fyllstoff for å redusere deltakerens alder av neste stimulans tilhører en bestemt type (f. eks en viss inflectional klasse). Velg dem, for eksempel fra forskjellige ord kategorier (f. eks, inflectional klasser) enn de som brukes til å konstruere stimuli i henhold til egenskapene til interesse.
3. eksperimentell design
- Presenter bokstav strenger vannrett, én om gangen, og subtende en visuell vinkel på ca. 5 °.
- Begynn eksperimentet med en øvelsesøkt som inneholder et lite antall forsøk, med ett ord som presenteres per prøve (f.eks. 15 ord og 15 pseudo-ord som ikke er inkludert i eksperimentet). Dette er for å gjøre deltakeren kjent med oppgaven og svarknappene. Hvis deltakeren ikke svarer nøyaktig ("ja"-knappen for ekte ord og "nei"-knappen for pseudo-ord) under øvelses forsøkene, gi tilbakemelding og gjenta øvelsesøkten.
- Del eksperimentet inn i blokker og gi korte pauser etter øvelsesøkten og mellom blokkene. Disse pausene tillate deltakerne å hvile øynene og vil redusere tretthet.
- Start hver ny blokk med noen filler elementer som ikke vil bli inkludert i analysen (f. eks vanlige substantiv som hund, søster, år) fordi de første få forsøkene på blokken er noen ganger IGNORERT av deltakere med MCI eller ad.
- Presenter de eksperimentelle elementene i tilfeldig rekkefølge for hver deltaker.
- Begynn hver prøve med et feste merke (for eksempel et +-tegn) som vises i midten av skjermen for 500 MS, etterfulgt av en tom skjerm for en fast (for eksempel 500 MS) eller variabelt tidsrom (for eksempel 500-800 MS).
- Umiddelbart etter den blanke skjermen, presentere en bokstav streng (ord eller pseudo-ord) for 1 500 MS eller til deltakeren svarer.
- Etter en svaret er fremstilt eller etter 1 500 MULTIPLE SCLEROSIS fra utbruddet av ordet (hva enn kommer for det første), følge etter etter atter med en fjerne skjermen til 3000 MULTIPLE SCLEROSIS har passert fra begynnelsen av prøvelsen.
- Gjenta denne sekvensen til alle elementene i eksperimentet er presentert.
Merk: tider for forsinkelsen mellom stimuli tjene som et eksempel. Endring av dem kan påvirke mønsteret av resultater.
4. eksperimentell prosedyre
- Plasser deltakeren foran en dataskjerm i en visningsavstand på ca. 80 cm i et normalt opplyst rom.
- Instruere deltakeren til å bestemme så raskt og nøyaktig som mulig om bokstav strengen på skjermen er et reelt ord eller ikke ved å trykke på en av to tilsvarende knapper med sin dominerende hånd (f. eks, pekefingeren for virkelige ord og langfingeren for pseudo-ord) eller bruke pekefingeren på hver hånd.
Merk: deltakerne prøver å optimalisere ytelsen i tråd med instruksjonene. Dermed vil deres svar bli påvirket av understreker hastighet over nøyaktighet eller vice versa23.
5. analysere data med en modell for blandede effekter i R
Merk: mange forskjellige statistiske programmer kan brukes til å utføre analysen. Denne delen beskriver fremgangsmåten for å analysere data i R24.
- Få reaksjonstiden (RT) målt i millisekunder for hvert forsøk fra utdatafilen av presentasjons programmet (for eksempel E-Studio programvare).
- Installer pakkene lme428 og lmerTest29. Knytt pakker til funksjons biblioteket eller Krev.
- Importer data til R ved hjelp av for eksempel lese. Table- funksjonen.
- Kontroller behovet for transformasjon, for eksempel med boxcox -funksjonen fra masse pakken25, ettersom distribusjonen av RT-data vanligvis er svært skjev.
> bibliotek (Mass)
> boxcox (RT ~ Expnanatory_variable, data = DineData)
Merk: grafen produsert av boxcox -funksjonen viser et 95% sikkerhetsintervall for den boxcox transformerings parameteren. Avhengig av lambda-verdiene som ligger innenfor dette intervallet, kan den nødvendige transformasjonen velges, for eksempel λ = − 1 (invers transformasjon), λ = 0 (logaritmisk transformasjon), λ = 1/2 (kvadratrot transformasjon) og λ = 1/3 (kube rot transformasjon).- Forvandle RT-verdiene ved hjelp av invertert transformert RTs (f. eks-1000/RT) eller binære logaritmer av RTs (f. eks, log2 (RT)) siden disse transformasjoner har en tendens til å gi mer normal-lignende distribusjoner for reaksjonstider i en rekke beslutnings eksperimenter enn rå RTs og 26.
- Alternativt kan du bruke statistiske metoder som ikke er avhengige av normale distribusjoner og passe robuste lineære blandede effekter modeller og gi anslag på hvilke outliers eller andre kilder til forurensning har liten innflytelse27.
- Siden reaksjons tids analyser vanligvis gjennomføres på nøyaktige svar, utelukke forsøk der deltakernes reaksjon var feil (en reaksjon på "nei" til virkelige ord) samt utelatelser.
- Også ekskludere svar på pseudo-ord og fyllstoff med mindre det er spesifikke hypoteser om dem.
- Ekskluder forsøk med responstid raskere enn 300 MS fordi de vanligvis indikerer at deltakeren var for sent å svare på en tidligere stimulans eller at han eller hun tilfeldigvis trykket på svar knappen før du leser stimulans.
- Bygg en grunnleggende lineære blandede effekter modell som identifiserer RT AS utfallet mål og Emne, element, og Trial som tilfeldige effekter. Vær oppmerksom på at variabler med verdier som er tilfeldig samplet fra et større sett (populasjon) av verdier, er inkludert som tilfeldige effekter og variabler med et lite antall nivåer, eller som alle nivåer er inkludert i dataene, er faste effekter. Legge til tilfeldige effekter i skjemaet (1 | Subject) for å anslå tilfeldige avskjærer for hver av de tilfeldige effekter.
> G1 = lmer (RT ~ (1 | Subject) + (1 | Item) + (1 | Trial), data = DineData)
> oppsummering (G1) - Legg til forklarende variabler i en teoretisk motivert rekkefølge. For eksempel legge til ordene ' base frekvens som en fast effekt. Noen variabler, for eksempel base eller overflate frekvens, har Zipfian distribusjoner, så sett dem i modellen med en transformasjon som resulterer i en mer Gaussian distribusjon form, for eksempel, logaritmisk transformasjon.
> G2 = lmer (RT ~ log (BaseFrequency + 1) + (1 | Subject) + (1 | Item) + (1 | Trial), data = DineData)
> oppsummering (G2) - Sjekk med Anova -funksjonen hvis du legger til hver indikasjon (f. eks BaseFrequency) betydelig forbedret prediktiv effekt av modellen i forhold til en modell uten at det er en indikasjon.
> Anova (G1, G2)- Hvis det ikke er noen signifikant forskjell i tilpasning av den nye modellen over den enklere modellen, foretrekker den enkleste modellen med færre prediktorer. Sjekk også Bondevik Information kriterium (AIC)30 av hver modell. AIC er et mål på hvor godt statistiske modeller passer et sett med data i henhold til maksimal sannsynlighet. Lavere verdier angir en bedre tilpasning for dataene31.
> AIC (G1); AIC (G2)
- Hvis det ikke er noen signifikant forskjell i tilpasning av den nye modellen over den enklere modellen, foretrekker den enkleste modellen med færre prediktorer. Sjekk også Bondevik Information kriterium (AIC)30 av hver modell. AIC er et mål på hvor godt statistiske modeller passer et sett med data i henhold til maksimal sannsynlighet. Lavere verdier angir en bedre tilpasning for dataene31.
- Gjenta trinn 5,7. og 5,8. ved å legge til andre forklarende variabler, f. eks, noen av de som er presentert i tabell 1, en etter en i en teoretisk motivert orden og holde bare de som betydelig forbedre prediktiv effekt av modellen. Hvis variabel stimulans utbruddet asynchrony ble brukt, inkludere den som en fast effekt variabel i modellen.
- Se etter teoretisk motivert samhandling mellom prediktorer. For eksempel legge til en term av interaksjon loggen av base frekvens etter alder.
> G3 = lmer (RT ~ log (BaseFrequency + 1) + alder + log (BaseFrequency + 1): alder + (1 | Subject) + (1 | Item) + (1 | Trial), data = DineData)
Merk: det er mulig at en indikasjon er betydelig som en term av interaksjon med en annen variabel, men ikke signifikant som den viktigste indikasjon. I dette tilfellet må du ikke fjerne denne den som er basert på modellen (Inkluder den også som hoved effekten). - Legg til av-deltaker tilfeldige bakker32 for prediktorer ved å inkludere "1 +" før variabelen navn, deretter "| Subject ", for eksempel (1 + Logg(BaseFrequency + 1) | Subject), fordi deltakernes responstid kan bli påvirket av ord egenskaper på forskjellige måter.
Merk: Hvis det er mange kontinuerlige prediktorer, tillater dem alle å ha tilfeldige bakker er urealistisk fordi tilfeldig skråningen modeller krever store mengder data for å nøyaktig anslå avvik og kovariansene skaleres33,34. I tilfelle maksimal modellen ikke sammenfaller (med andre ord, vellykket beregne), forenkle modellen33. Alternativt, iverksette Bayesisk versjoner av multilevel modellering35. - Kjør analysen for hver deltaker gruppe separat. Du kan også kjøre en analyse på alle data, med gruppen som en fast effekt-indikasjon, og deretter teste for en samhandling av gruppe ved betydelige prediktorer.
> G4 = lmer (RT ~ Logg (BaseFrequency + 1) + alder + log (BaseFrequency + 1): Alder + gruppe + Logg (BaseFrequency + 1): gruppe + (1 + Logg (BaseFrequency + 1) | Subject) + (1 | Item) + (1 | Trial), data = DineData) - For å fjerne påvirkningen av mulige outliers, utelukke datapunkter med absolutt standardisert rester overstiger, for eksempel, 2,5 standardavvik26, og re-Fit modellen med de nye dataene (yourdata2).
> yourdata2 = DineData [ABS (Scale (Resid (G4))) < 2,5,]
> G5 = lmer (RT ~ log (BaseFrequency + 1) + alder + Logg (BaseFrequency + 1): Alder + gruppe + Logg (BaseFrequency + 1): gruppe + (1 + Logg (BaseFrequency + 1) | Subject) + (1 | Item) + (1 | Trial), data = yourdata2)
Merk: ikke alle ekstreme datapunkter er skadelige for modellen – bare de som har overdreven giring over modellen. - I tilfelle av undersøkende (data-drevet) analyse, bruk bakover trinnvis regresjon: inkludere alle variabler i den første analysen og deretter fjerne ikke-signifikante variabler fra modellen i en trinnvis måte. Alternativt, bruk det automatisk fremgangsmåte av eliminerer ingen-betydelig prediktorer med det steg funksjonen forsynt av pakken lmerTest29.
> trinn (G4)
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Tabell 1 viser en liste over variabler som er Hentet fra tre forskjellige kilder (en Corpus, en ordliste og pilot testing av test elementer) som er inkludert i analysen som fast effekt-prediktorer. Mange av disse variablene har tidligere blitt rapportert å påvirke ordet anerkjennelse hastighet.
| Corpus: | |
| Grunnleggende frekvens | antall ganger et ord vises i Corpus i alle sine forskjellige former (f. eks, barn og barn) |
| Bigram frekvens | Det gjennomsnittlige antall ganger at alle kombinasjoner av to etterfølgende bokstaver oppstår i Corpus |
| Morfologiske familie størrelse | antall avledede og sammensatte ord som deler en morpheme med substantiv |
| Morfologiske familiens frekvens | den summerte base frekvensen av alle morfologiske familiemedlemmer |
| Pseudo-morfologiske familie størrelse | inkluderer ikke bare "true" morfologiske familiemedlemmer, men også ord som etterligner morfologiske familiemedlemmer i sin ortografisk form, enten de er faktiske morphemes, og dermed representerer ortografisk overlapping, men ikke nødvendigvis semantisk overlapping |
| Pseudo-morfologiske familie frekvens | den summerte base frekvensen av alle pseudo-morfologiske familiemedlemmer |
| Overflate frekvens | antall ganger et ord vises i Corpus i nøyaktig samme form (for eksempel barn). |
| Trigram frekvens | Gjennomsnittlig antall ganger at alle kombinasjoner av tre etterfølgende bokstaver oppstår i Corpus |
| Ordbok: | |
| Hamming avstand på én | antall ord av samme lengde, men avviker bare i en enkelt bokstav36 |
| Lengde | antall bokstaver |
| Tetthet i ortografisk-området | antall ord med samme lengde, men avviker bare i første bokstav37, 38 |
| Pilot testing: | Seksten deltakere indikert på en seks-punkts skala (fra 0 til 5) sine anslag for hvert av målet ordene på følgende parametere. |
| Som riktig navn | hvor ofte ordet blir sett på som et passende navn (f. eks, som et familienavn, som Baker)39 |
| Konkrete | direkthet med hvilke ord refererer til konkrete enheter40 |
| Vurdering av fortrolighet | hvor kjent ordet er |
| Imageability | den letthet og hastighet som ordene framprovosere mentale bilder40 |
Tabell 1. Variablene inkludert i Mixed-effekter analyse som fast effekt prediktorer, innhentet fra tre forskjellige kilder (en Corpus, en ordbok, og pilot testing av test elementer).
Antall forklarende variabler kan være mindre eller større avhengig av forskningsspørsmål og om tilgjengeligheten av variablene fra databaser, ordbøker eller corpora. Men, inkludert et stort antall av funksjoner som prediktorer kan føre til komplikasjoner i form av kolinearitet mellom prediktorer, når prediktorer relatere med hverandre og dermed utøve lignende effekter på utfallet tiltaket. For eksempel kan konkrete og imageability av ord være svært korrelert. En forutsetning i en lineær regresjonsanalyse er at de antatt variablene er uavhengige av hverandre. Men som flere variabler er lagt til modellen, risikoen for at noen av variablene ikke er uavhengig av hverandre øker. Jo høyere sammenhengen mellom variablene, jo mer skadelig denne kolinearitet kan være for modellen41. En potensiell konsekvens av kolinearitet er at viktighetsnivået for enkelte prediktorer kan være falsk.
For å unngå effekten av kolinearitet mellom prediktorer, bør antallet prediktorer reduseres. Hvis to prediktorer viser kolinearitet, skal bare én av dem inkluderes i modellen. Men hvis mer enn to prediktorer viser kolinearitet, vil det å ekskludere alle unntatt én føre til tap av varians forklart. På den ene siden, kan en forsker redusere antall forklarende variabler allerede i eksperimentell design a priori, slik at bare de som er hypotese drevet (teoretisk motivert) og som tillater forskeren å teste hypoteser mellom forskjellige populasjoner. På den annen side, noen ganger er det ingen eksisterende teori, og dermed er det rimelig å bruke Principal Component Analysis (PCA)41 for å redusere antall prediktorer ved å kombinere prediktorer som har lignende effekter i komponenter. I denne analysen ble det orthogonalized plass, og de viktigste komponentene i den nye plassen ble brukt som prediktorer (følgende trinn er beskrevet her41 på sider 118-126). En ulempe med å bruke PCA er at noen ganger komponentene gjør det vanskelig å greie virkningene av flere prediktorer; de kan alle dukke opp med sterke belastninger på samme viktigste komponenten.
Vi forvandlet alle ord prediktorer i fem hovedkomponenter for å undersøke hvordan ordet anerkjennelse hastighet kan være forskjellig for yngre voksne og eldre voksne. Men bare to av dem var viktige i de unge voksne data (tabell 3): PC1 og PC4. Tre hovedkomponenter (PCs) var betydelige prediktorer i modellen for eldre kontroller (Tabell 4), MCI (tabell 5) og personer med AD (tabell 6).
| PC2 | |
| Bigram freq. | -0,390 til en |
| Hamming avstand på én | -0,350 til en |
| Endelig trigram freq. | -0,330 til en |
| Tetthet i nabolaget | -0,320 til en |
| Lengde | -0,226 til en |
| Innledende trigram freq. | -0,224 til en |
| Pseudo-familiens størrelse (endelig) | -0,124 til en |
| Pseudo-familien freq. (endelig) | -0,052 til en |
| Familie freq. (forbindelser) | -0,042 til en |
| Familie størrelse (forbindelser) | -0,039 til en |
| Familie freq. (avledede ord) | -0,036 til en |
| Familie størrelse (avledede ord) | -0,034 til en |
| Overflate freq. | -0,023 til en |
| Base freq. | -0,008 til en |
| Pseudo-familiens størrelse (Initial) | 0,070 for alle |
| Vurdering av fortrolighet | 0,093 for alle |
| Som riktig navn | 0,102 for alle |
| Pseudo-familien freq. (første) | 0,113 for alle |
| Konkrete | 0,275 for alle |
| Imageability | 0,296 for alle |
| Pseudo-familiens størrelse (intern) | 0,296 for alle |
| Pseudo-familien freq. (intern) | 0,316 for alle |
Tabell 2. Rotasjonen matrise for PC2. Belastninger er i hvilken grad hver variabel bidrar til komponenten. Denne tabellen er endret med tillatelse fra cortex3.
Tabell 2 presenterer de andre variablene med sine BELASTNINGER på PC2. Den sterkeste positive belastninger av PC2 var pseudo-familiens størrelse og frekvens for overlapping i den interne posisjonen. Den sterkeste negative belastninger var bigram frekvens, Hamming avstand på en, endelig trigram frekvens, og ortografisk nabolag tetthet. Siden alle disse variablene er primært form-basert i stedet for mening-basert, PC2 tolkes som reflekterer påvirkning av skjema-baserte aspekter av et ord på ordet anerkjennelse hastighet.
Tabell 3 viser resultatene av analysen med blandede effekter for unge voksne (31 deltakere). Siden PC2 ikke var en signifikant indikasjon på responstiden for unge voksne (se tabell 3), synes dette å indikere at disse skjema-baserte variablene har mindre innflytelse på de unge voksne reaksjonstider sammenlignet med eldre voksne, inkludert de med ad eller MCI .
| Faste effekter | Anslag | STD. feil | t-verdi | p-verdi |
| Fange opp | -1,31 til en | 0,05 for alle | -26,36 til en | < 0.001 |
| Allomorphs | -0,034 til en | 0,015 for alle | -2,3 til en | 0,024 for alle |
| PC1 | -0,021 til en | 0,004 for alle | -5,179 til en | < 0.001 |
| PC4 | -0,042 til en | 0,008 for alle | -5,224 til en | < 0.001 |
| Tilfeldige effekter | ||||
| Grupper | navn | Varians | STD. dev. | Corr |
| Element | Fange opp | 0,009 for alle | 0,095 for alle | |
| Emnet | Fange opp | 0,032 for alle | 0,179 for alle | |
| PC1 | 4.765 e-05 | 0,007 for alle | 0,08 for alle | |
| Gjenværende | 0,005 for alle | 0,235 for alle | ||
| Antall ons. 2862; Vare, 99; Emne, 31 | ||||
Tabell 3. Estimerte koeffisienter, standard feil og t-og p-verdier for de blandede modellene som er montert på responsen latencies elicited for ekte ord for unge voksne. Denne tabellen er endret med tillatelse fra cortex3.
Estimatet for en variabel med fast effekt kan tolkes som det beløpet som den avhengige VARIABELEN (RT) øker eller reduserer Hvis verdien for denne faste effekten endres. Hvis estimatet er negativt, betyr det at variabelen samsvarer negativt med reaksjonstider (jo høyere variabel, jo mindre (raskere) reaksjonstid). T-verdien bør vanligvis være mindre enn-2 eller større enn 2 for at den skal være betydelig.
Tabell 4, tabell 5og tabell 6 viser resultatene fra analysen med blandede effekter for eldre kontroller (17 deltakere), personer med MCI (24 deltakere) og enkeltpersoner med AD (21 deltakere).
En interessant forskjell mellom de tre eldre grupper dukket opp: utdanning signifikant spådd hastighet på ordet anerkjennelse i eldre kontroller (Tabell 4, anslaget for utdanning er negativ, noe som betyr at flere år med utdanning ble assosiert med raskere reaksjonstid) og personer med MCI (tabell 5), men ikke i individer med AD (tabell 6; Utdanning ble droppet fra modellen siden det ikke var en betydelig indikasjon), men det var ingen åpenbar forskjell i variasjon av år med utdanning blant disse gruppene (AD: mener 10,8 år, SD 4,2, Range 5-19; MCI: gjennomsnittlig 10,4 år, SD 3,5, rekkevidde 6-17; eldre kontroller: gjennomsnittlig 13,7 år, SD 3,7, Range 8-20).
| Faste effekter | Anslag | STD. feil | t-verdi | p-verdi |
| Fange opp | -0,72 til en | 0,157 for alle | -4,574 til en | < 0.001 |
| Allomorphs | -0,022 til en | 0,01 for alle | -2,14 til en | 0,035 for alle |
| PC1 | -0,011 til en | 0,003 for alle | -4,122 til en | < 0.001 |
| PC2 | -0,011 til en | 0,005 for alle | -2,223 til en | 0,029 for alle |
| PC4 | -0,02 til en | 0,006 for alle | -3,687 til en | < 0.001 |
| Utdanning | -0,024 til en | 0,011 for alle | -2,237 til en | 0,041 for alle |
| Tilfeldige effekter | ||||
| Grupper | navn | Varians | STD. dev. | |
| Element | Fange opp | 0,003 for alle | 0,057 for alle | |
| Emnet | Fange opp | 0,026 for alle | 0,16 for alle | |
| Gjenværende | 0,033 for alle | 0,181 for alle | ||
| Antall ons. 1595; Vare, 99; Emne, 17 | ||||
Tabell 4. Estimerte koeffisienter, standard feil og t-og p-verdier for de blandede modellene som er montert på responsen latencies elicited for virkelige ord for eldre kontroller. Denne tabellen er endret med tillatelse fra cortex3.
| Faste effekter | Anslag | STD. feil | t-verdi | p-verdi |
| Fange opp | -0,562 til en | 0,114 for alle | -4,922 til en | < 0.001 |
| PC1 | -0,009 til en | 0,003 for alle | -3,218 til en | 0,002 for alle |
| PC2 | -0,013 til en | 0,005 for alle | -2,643 til en | 0,01 for alle |
| PC4 | -0,018 til en | 0,006 for alle | -3,078 til en | 0,003 for alle |
| Utdanning | -0,039 til en | 0,01 for alle | -3,708 til en | 0,001 for alle |
| Tilfeldige effekter | ||||
| Grupper | navn | Varians | STD. dev. | |
| Element | Fange opp | 0,003 for alle | 0,056 for alle | |
| Emnet | Fange opp | 0,03 for alle | 0,174 for alle | |
| Gjenværende | 0,061 for alle | 0,248 for alle | ||
| Antall ons. 2227; Vare, 99; Emne, 24 | ||||
Tabell 5. Estimerte koeffisienter, standard feil og t-og p-verdier for de blandede modellene som er montert på responsen latencies elicited for virkelige ord for personer med MCI. Denne tabellen er endret med tillatelse fra cortex3.
| Faste effekter | Anslag | STD. feil | t-verdi | p-verdi |
| Fange opp | -0,876 til en | 0,051 for alle | -17,017 til en | < 0.001 |
| Allomorphs | -0,018 til en | 0,009 for alle | -2,008 til en | 0,048 for alle |
| PC1 | -0,011 til en | 0,003 for alle | -4,097 til en | < 0.001 |
| PC2 | -0,011 til en | 0,004 for alle | -2,718 til en | 0,008 for alle |
| PC4 | -0,018 til en | 0,005 for alle | -3,751 til en | < 0.001 |
| Tilfeldige effekter | ||||
| Grupper | navn | Varians | STD. dev. | Corr |
| Prøve | Fange opp | 0,001 for alle | 0,034 for alle | |
| Element | Fange opp | 0,002 for alle | 0,049 for alle | |
| Emnet | Fange opp | 0,045 for alle | 0,212 for alle | |
| PC1 | 4.138 e-05 | 0,006 for alle | 0,83 for alle | |
| Gjenværende | 0,026 for alle | 0,162 for alle | ||
| Antall ons. 1879; Vare, 99; Emne, 21 | ||||
Tabell 6. Estimerte koeffisienter, standard feil og t-og p-verdier for de blandede modellene som er montert på respons latencies elicited for virkelige ord for personer med AD. Denne tabellen er endret med tillatelse fra cortex3.
Studien rapportert her adressert et ekstra spørsmål: om antall Stem allomorphs forbundet med et ord påvirker hastigheten på Word Recognition42,43. Stem allomorphs er forskjellige former for et ord stamme på tvers av ulike språklige sammenhenger. For eksempel, på engelsk, har Foot to Stem allomorphs, fot og føtter. Med andre ord endres ordet stamme avhengig av om det er i entall-eller flertallsform. Studien er beskrevet her testet høyttalere av finsk, et språk som har ganske mye mer kompleksitet i sin stilk endringer i forhold til engelsk. Ord med større stilk allomorphy (dvs. ord med flere endringer i sine stammer) elicited raskere reaksjonstid i alle grupper (tabell 3, Tabell 4og tabell 6; anslagene for antall allomorphs var negative, noe som betyr at høyere antall allomorphs et ord hadde, jo raskere reaksjonstiden det elicited) unntatt MCI-gruppen (tabell 5; antall allomorphs var ikke en signifikant indikasjon og dermed ble droppet fra modellen).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ved å bruke en enkel språk oppgave som ikke krever språk produksjon, undersøkte den foreliggende studien virkningen av ulike ord-variabler på ordet anerkjennelse i nevrologisk sunne yngre og eldre voksne, så vel som hos personer med Alzheimers sykdom eller mild kognitiv svekkelse. Aldersgruppen som brukes til å rekruttere "eldre voksne" kan avhenge av spesifikke forskningsinteresser; Imidlertid bør området for den friske eldre gruppen matche så tett som mulig aldersspredningen og distribusjon for personer med MCI eller AD rekruttert for samme studie.
For å unngå kolinearitet mellom prediktorer ble orthogonalized inn i hovedkomponentene og lagt til de blandede effekt modellene, der reaksjonstidene fungerte som den avhengige variabelen. Kombinasjonen av et enkelt språk beslutning eksperiment og en blandet-effekter regresjonsanalyse førte til romanen finne at språket vanskeligheter for pasienter med AD kan tilskrives ikke bare til endringer i semantisk system, men også til en økt avhengighet på ordet form. Interessant, et lignende mønster ble funnet for personer med mild kognitiv svekkelse og kognitivt friske eldre. Dette tyder på at en økt avhengighet av skjema-baserte aspekter av språkbehandling kan være en del av en felles alder-relaterte endringer i skriftlige ord anerkjennelse.
I et fakultet design, forskere tradisjonelt opprette to eller flere sett med ord som avviker i henhold til variabelen av interesse og deretter matche disse settene med ord på en rekke andre ord egenskaper som kan påvirke prosesseringshastighet. Antagelsen er det alt opptreden differansen oppnådd imellom disse to apparater av ord burde være attributt å det manipulert (i.e., makeløs) variabel. Et problem med denne type design er at det er svært vanskelig å matche sett med ord på mer enn noen få variabler. En annen problem er det alt der kunne være noe muligheter betydelig variabler det ordet apparater var ikke passet opp på eller kunne ikke være passet opp på for en variasjon av anledninger. Også den fakultet design behandler kontinuerlige fenomener som om de er dikotome faktorer. Bruk av blandede effekter modeller for statistisk analyse av atferdsdata tillater forskeren å inkludere potensielt viktige ord ord variabler som forklarende variabler uten å måtte matche ordene eller lister over ord i henhold til disse variablene. I en Mixed-effekter modell variablene Subject (deltaker kode/nummer), Item (eksperimentelle stimuli), og Trial (prøve nummer) er lagt til som tilfeldige effekter. De tilfeldige avskjærer ble inkludert fordi det antas at fagene varierer i deres samlede reaksjonstid (dvs. noen deltakere er naturlig tregere eller raskere over hele linja)
Denne metodikken kan anvendes på andre typer spørsmål og til andre populasjoner, for eksempel multilinguals eller individer med afasi. For den tidligere gruppen kan språkbehandling avvike fra monolinguals, så denne variabelen bør vurderes hvis du rekrutterer en populasjon med blandet språk, enten ved å begrense rekrutteringen til bare én gruppetype eller ved å sammenligne resultater senere for å avgjøre om språk bakgrunnen påvirket resultatene.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Vi takker Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen, og Hilkka Soininen for deres bidrag til datainnsamling og prosessering rapportert her. Datainnsamlingen ble støttet av VPH demens forskning aktivert av EU, Grant-avtalen 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).
