Yöntem makalesi

Demans veya hafif bilişsel bozukluk ile ve olmadan yetişkinlerde yazılı kelime tanıma eğitim için sözlü karar görevi

DOI:

10.3791/59753

⸱

25 Haziran 2019

 ,  ,  , 
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

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu makalede, nörolojik olarak sağlıklı katılımcılar ve demans ve bilişsel düşüş olan bireyler yazılı kelime tanıma değerlendirmek için basit bir sözlü karar deneme uygulamak açıklamaktadır. Biz de temel bileşenler Analizi (PCA) ve karma efektler modelleme kullanarak reaksiyon süresi Analizi ayrıntılı bir açıklamasını sağlar.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Daha yaşlı yetişkinler daha genç yetişkinlerden daha görsel nesneleri tanıma yavaştır. Aynı bir harf dize gerçek bir kelime olduğunu tanımak için geçerlidir. Alzheimer hastalığı olan insanlar (AD) veya hafif bilişsel bozukluk (MCI) yaşlı kontrolleri daha yazılı kelime tanıma daha uzun tepkiler göstermektedir. Yaşlanma ve neuroognitive bozukluklarda daha yavaş tanınmaya yönelik genel eğilimlere rağmen, kelimelerin belirli özellikleri yaş veya nöropatolojiden bağımsız olarak kelime tanıma hızını etkiler (örn. bir kelimenin kullanım sıklığı). Burada, küçük ve yaşlı yetişkinlere ve MCI veya AD 'ye sahip kişilere uygulanan basit bir sözlü karar deneyinde kelime tanıma tepkisi süreleri üzerinde sözlü özelliklerin etkisini incelemek için bir protokol sunuyoruz. Bu denemede, katılımcıların belirli bir harf dizesinin gerçek bir kelime olup olmadığını mümkün olduğunca hızlı ve doğru bir şekilde karar vermesi istenir. Ayrıca, farklı türde sözlü değişkenlerin veya kelime tanıma hızında katılımcıların bireysel özelliklerinin etkisini algılamak için kullanılabilecek karışık efektler modelleri ve asıl bileşenler analizini de açıklayacağız.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sözcükler, son derece birbirine bağlı bir ağda zihinsel sözlüğü depolanır. Sözcükler arasındaki bağlantılar, semantik benzerlik (örn. köpek ve kedi), benzerliği (köpek ve sis) veya ortak dil kullanımına ilişkin sık karşılaşılan ortak oluşumları (örn. köpek ve tasma). Kullanım tabanlı teori1gibi dil bilişsel teorileri, bir dil kullanıcısı tarafından bir kelimenin her karşılaşma kelimenin zihinsel temsili üzerinde bir etkisi olduğunu savunuyor. Örnek teorisine göre, bir kelimenin temsili, belirli bir kategori için var olan değişkenliği temsil eden ve dil kullanımı bireysel belirteçleri oluşturulan birçok örneklerden oluşur. Kullanım sıklığı2 ' nin bir örnek1' in gücüne katkı sağlayarak hafızada gösterimleri etkiler.

Kelime tanıma hızı zihinsel sözlüğü özelliklerini ortaya çıkarabilir. Kelime tanıma hızını ölçmek için yaygın olarak kullanılan deneysel paradigma sözlü karar görevdir. Bu görevde, katılımcılar aynı anda bir monitörde mektup dizeleri ile sunulur. Ekrandaki harf dizesinin gerçek bir kelime olup olmadığı veya ilgili düğmeye basarak mümkün olduğunca hızlı bir şekilde karar vermesi talimatıdır.

Gerçek kelimeler için reaksiyon sürelerini inceleyerek, araştırmacılar dil işleme hakkında önemli sorular bir dizi adres olabilir. Örneğin, tanıma daha hızlı hale getiren faktörleri tanımlamak, zihinsel sözlüğün yapısı hakkında hipotezler test edebilir ve mimarisini ortaya çıkarabilir. Dahası, farklı katılımcılar arasında performans karşılaştırmalar bize dil deneyimi çeşitli etkilerini anlamak yardımcı olabilir, ya da, yaşlanma veya nörodejeneratif hastalıklar durumunda (örneğin, Alzheimer hastalığı), bilişsel rolü Düşüş.

Bazı faktörler (örneğin, kullanım sıklığı) diğer faktörlerden (örn. kelime uzunluğu) daha fazla kelime tanıma etkisi sergiler. Yaş ilerleyen ile, insanların yazılı kelimeleri tanımak yolu3,4değişebilir. Genç yetişkinler (Bu durumda, köpek) hedef kelime ile her iki form ve anlam kaç bileşikler (örneğin, Bulldog) veya türetilmiş sözcükler (örneğin, köpek) payı yönleri gibi bir kelimenin anlam (anlam tabanlı) yönleri, ağır güvenmek eğilimindedir. Daha eski yetişkinler için Word tanıma, iki sonraki harflerin dilde (örn., harf kombinasyonu St daha sık İngilizce sözcüklerde kombinasyonu daha oluşur sıklığı gibi form tabanlı yönlerini, daha fazla etkilendiğini görünüyor SK).

Farklı gruplar arasında kelime tanıma hızını etkileyen faktörleri belirlemek için, araştırmacı uyarıcı kümesinde belirli değişkenleri manipüle ve daha sonra kelime tanıma hızını tahmin etmek için bu değişkenlerin gücünü test edebilirsiniz. Örneğin, sözcük tanıma semantik veya form tabanlı faktörler tarafından yönlendirilen olup olmadığını sınamak için uyarıcı kümesi zihinsel sözlüğü veya diğer sözcüklere bağlantı onun anlamsal komşuları için bir sözcüğün bağlantı derecesini yansıtan değişkenler içermelidir formun bir kısmını paylaşır.

Bu yöntem, mevcut çalışmada kelime tanıma hızı genç ve büyük yetişkinler ve Alzheimer hastalığı (AD) veya hafif bilişsel bozukluk (MCI)3olan bireyler farklı faktörlerden etkilenir olup olmadığını araştırmak için kullanıldı. Burada açıklanan Yöntem görsel kelime tanıma dayanır ama işitsel modalite adapte edilebilir. Ancak, tipik bir görsel sözlü karar denemede tepki süreleri önemli belirleyiciler bazı değişkenler işitme sözlü karar yanıt gecikmeleri tahmin değil veya zıt etkisi olabilir. Örneğin, fonolojik mahalle bu iki yöntemleri arasında zıt etkiye sahiptir5: daha büyük fonolojik mahalleler ile kelimeler görsel kelime tanıma üzerinde kolaylaştırıcı bir etki sergiler ama daha uzun yanıt gecikmeleri sonucu işitsel sözlü karar6.

Büyük yetişkinlerde kelime bulma zorlukları7 genellikle anlamsal temsili8bir dökümü yerine fonolojik kelime formuna erişen zorlukla atfedilmiştir. Ancak, reklam araştırma öncelikle semantik düşüşler üzerinde duruldu9,10,11,12,13,14. Ne kadar semantik ve ortografik faktörler ile yaşlanma ve bilişsel düşüş olmadan yazılı kelimelerin tanınması etkileyen kitaplığınızı önemlidir. Form ile ilgili faktörlerin etkisi daha genç yetişkinlerde daha yaşlı daha belirgin, ve MCI veya AD3ile insanlar önemli kalır. Böylece, Bu metodoloji, farklı nüfuslar arasında zihinsel sözlüğü özelliklerini ortaya çıkarmak ve yaş ve nöropati ile sözlüğü organizasyonun değişiklikleri belirlemek bize yardımcı olabilir. Nöropatoloji hastaları test ederken bir endişe, onlar görev ile ilgili bilgiye erişim zorlukları olabilir olmasıdır. Ancak, sözlü karar görevi birçok hasta ile ilgili sorunlar sergileyen bellek veya diğer karmaşık bilişsel becerileri çalışma üzerinde hiçbir yükü ile basit bir görevdir. AD ve MCI nüfusu için uygun olarak kabul edilmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Protokol, Kuzey Savo hastane bölge Etik Komitesi (IRB00006251) yönergelerini takip eder.

1. katılımcı taraması

  1. Normal veya düzeltilmiş-normal vizyonuna sahip genç ve yaşlı yetişkinleri işe alın ve çalışma ikinci dil edinme ile ilgili belirli araştırma sorularını gidermediği sürece test edilen dilin Yerli konuşmacıları.
  2. Sağlıklı kontrol grupları için, nörolojik veya psikiyatrik bozukluklar geçmişi olan katılımcılar hariç.
  3. Klinik gruplar için, Alzheimer hastalığı tanısı almış bireyler işe15 veya hafif bilişsel bozukluk16,17. Klinisyenin kararlarına göre, sadece bilgilendirilmiş izin veren bireyler işe. Doğru karşılaştırmalar için, sağlıklı ve eski yetişkin katılımcıları ile klinik grupların yaş aralığı ve ortalama maç.
  4. Demans şiddetini ölçmek, örneğin, klinik demans Rating ölçeği kullanarak18 (CDR, 0 = Hayır demans, 0.5 = çok hafif, 1 = hafif, 2 = orta, 3 = şiddetli). Ciddi Demans olan hastalar hariç, çünkü görev onlar için çok zor olabilir. Önem derecelerine rağmen talimatları takip edemiyor gibi katılımcılar içermez.

2. Stimulus inşaatı

  1. Belirli araştırma sorularını ele almak için sözcük uyarıcıları seçin, örneğin, semantik veya ortografik/fonolojik değişkenlerin farklı nüfuslarda kelime tanıma19 üzerinde daha güçlü bir etkisi olup olmadığını.
  2. Bir Corpus20 ' den hesaplayın veya bir veritabanından almak21 değişkenleri anlamsal, fonolojik ve uyaranların ortografik özelliklerini yansıtan, böylece teorik motivasyonlu belirleyiciler kelime açıklayan olarak kullanılabilir ya tepki süreleri veya kontrol değişkenleri olarak kabul edilir. Ayrıca, katılımcıların cinsiyet, yaş ve eğitim yılları açıklayıcı veya kontrol değişkenleri olarak kullanın.
  3. Gerçek kelimelerin yanı sıra, eşleşen pseudo-Words bir dizi inşa. Pseudo-Words belirli sözcük pozisyonlarında (phonotactics) belirli harflerin yerleştirilmesi için dilin normlarına uygun olduğu gerçek kelimelerle benzerdir. Phonotactics için kontrol etmek için, örneğin, rastgele başka bir deyişle ikinci heceler ile bazı sözcüklerden ilk heceler yeniden birleştirerek, pseudo-Words oluşturun. Bu yeniden kombinasyon ve dilin phonotactics ihlal tüm öğeleri aracılığıyla gerçek bir kelime üretmek için olan tüm öğeleri kaldırın.
  4. Harf ve bigram frekansında kelime uzunluğu açısından hedef sözcüklerle sahte kelimeleri eşleştirin, bu iki sonraki harfin tüm kombinasyonları bir metin korbada ortaya çıkan ortalama sayısı. Bu değişkenler tanıma hızını etkileyen gösterildi.
    Not: pseudo-kelime oranını (örn., pseudo-Words sayısına göre gerçek kelimelerin sayısı) manipüle etmek, daha az olası uyaranlara daha yavaş ve daha az doğru22Yanıt ile farklı sonuçlara yol açabilir.
  5. Belirli bir türe ait bir sonraki uyarıcının katılımcının beklentisi (örn. belirli bir akıt sınıfı) azaltmak için gerçek kelime dolgu kümesi ekleyin. Örneğin, farklı kelime kategorilerinden (örneğin, çekimsel sınıflar), ilgi özelliklerine göre uyaranlar oluşturmak için kullanılanlardan daha fazlasını seçin.

3. deneysel tasarım

  1. Harf dizeleri yatay olarak, bir defada bir, yaklaşık 5 ° görsel bir açı taşmaya.
  2. Denemeyi, deneme başına sunulan bir sözcüğle (örneğin, 15 kelime ve gerçek denemede bulunmayan 15 sözde kelime), az sayıda deneme içeren bir uygulama oturumuyla başlayın. Bu katılımcının görev ve yanıt düğmeleri ile tanımak için budur. Katılımcı doğru şekilde yanıt vermiyorsa (gerçek kelimeler için ' Evet ' düğmesi ve pseudo-Words için ' Hayır ' düğmesi) uygulama denemeleri sırasında geri bildirim sağlar ve uygulama oturumunu tekrarlayın.
  3. Deneyi bloklara bölün ve uygulama oturumundan sonra bloklar arasında kısa mola verin. Bu molalar katılımcıların gözlerini dinlenmesine izin verir ve yorgunluk azaltacaktır.
  4. Her yeni bloğun, analizinde bulunmayan birkaç dolgu maddesi ile başlayın (örn. köpek, kardeş, yılgibi ortak isimler), çünkü BLOKTAKI ilk bırkaç deneme bazen MCI veya reklam ile katılımcılar tarafından yoksayılır.
  5. Deneysel öğeleri her katılımcı için rasgele bir sırada sunar.
  6. Her denemeyi, 500 MS için ekranın merkezinde görünen bir sabitleme işareti (örn. + işareti) ile başlayın, ardından sabit (örn. 500 MS) veya değişken süre için boş bir ekran (örn., 500-800 MS).
  7. Boş ekrandan hemen sonra, 1.500 MS veya katılımcı yanıt verene kadar bir harf dizesi (kelime veya pseudo-Word) mevcut.
  8. Bir yanıt yaptıktan sonra veya sözcüğün başlangıcından itibaren 1.500 ms sonra (hangisi ilk gelir), 3000 MS deneme başından geçti kadar boş bir ekran ile tekrar izleyin.
  9. Deneydeki tüm öğeler sunulana kadar bu sırayı yineleyin.
    Not: uyarıcı arasındaki gecikme süreleri örnek olarak hizmet vermektedir. Bunları değiştirmek, sonuçların desenini etkileyebilir.

4. deneysel prosedür

  1. Normalde aydınlatılmış bir odada yaklaşık 80 cm 'lik bir görüntüleme mesafesinde katılımcı bir bilgisayar monitörünün önüne yerleştirin.
  2. Katılımcının, ekrandaki harf dizesinin gerçek bir kelime olup olmadığı ya da baskın el ile iki karşılık gelen düğmelerden birine basılarak mümkün olduğunca hızlı ve doğru bir şekilde karar vermelerini isteyin (örn. gerçek kelimeler için işaret parmağı ve orta parmak için (pseudo-Words) veya her elin parmak parmağı kullanarak.
    Not: katılımcılar performanslarını yönergelere uygun şekilde optimize etmeye çalışmaya çalışın. Böylece, tepkiler doğruluğu veya tersi23vurgulayarak hızını etkilenecektir.

5. R 'de karma efektler modeliyle verileri analiz etme

Not: analiz gerçekleştirmek için birçok farklı istatistiksel program kullanılabilir. Bu bölümde, R24veri çözümleme adımları açıklanmaktadır.

  1. Sunum programının çıkış dosyasından (örn. E-Studio yazılımı) her deneme için milisaniye cinsinden ölçülen reaksiyon süresini (RT) edinin.
  2. Lme428 ve lmertest29paketlerini yükleyin. Paketleri işlev kitaplığı ile iliştirin veya gerektirir.
  3. Okuma. Table işlevini kullanarak verileri R 'ye alın.
  4. RT verilerinin dağılımı genellikle çok eğilmiş olduğu için kütle paketi25' ten boxcox fonksiyonuyla dönüşüm ihtiyacını kontrol edin.
    > Kütüphanesi (Mass)
    > boxcox (RT ~ Expnanatory_variable, veri = yourdata)
    Not: boxcox işlevi tarafından üretilen grafik boxcox dönüşümü parametresi için% 95 güven aralığını gösterir. Bu aralıkta bulunan Lambda değerlerine bağlı olarak, gerekli dönüşüm seçilebilir, örn., λ = − 1 (ters dönüşüm), λ = 0 (Logaritmik dönüşüm), λ = 1/2 (kare kökü dönüşümü) ve λ = 1/3 (küp kökü dönüşümü).
    1. Ters dönüştürülmüş RTs (örn.,-1000/RT) veya RTs ikili logaritmaları (örn., log2 (RT)) kullanarak RT değerlerini dönüştür, bu dönüşümler ham RTs 'den daha sözlü karar deneylerinde reaksiyon süreleri için daha normal benzeri dağıtımları sağlamaya eğilimlidir 26' ya kadar.
    2. Alternatif olarak, normal dağılımlara dayanmayan ve sağlam doğrusal karışık efektler modellerini uygun olmayan istatistiksel yöntemler kullanın ve hangi aykırı veya diğer kontaminasyon kaynaklarının27' ye az etkisi olduğu konusunda tahminler sağlayın.
  5. Reaksiyon süresi analizlerinin genellikle doğru yanıtlar üzerinde gerçekleştirildiği için, katılımcıların yanıtının yanlış olduğu (gerçek kelimelere "Hayır" yanıtı) ve eksiklikler olan denemeleri hariç tutun.
    1. Ayrıca, onlar hakkında spesifik hipotezler olmadıkça sözde kelimeler ve dolgu yanıtları hariç.
    2. Genellikle katılımcı çok geç bir önceki uyarıcı yanıt veya o yanlışlıkla uyarıcı okumadan önce yanıt düğmesine basıldığında olduğunu belirtmek için 300 ms daha hızlı yanıt süreleri ile denemeler hariç.
  6. RT sonucunu ölçmek ve Konu, Maddeve deneme rasgele efektler olarak tanımlayan bir temel doğrusal karışık efektler modeli oluşturun. Değerleri rasgele daha büyük bir küme (nüfus) değerinden örneklenen değişkenleri rasgele efektler ve değişkenler az sayıda düzeylere sahip veya tüm düzeylerin verilere dahil edilen değişkenler sabit efektler olduğunu unutmayın. Formda rasgele efektler ekleyin (1 | Konu) rasgele etkileri her biri için rasgele yakalanmaları tahmin etmek için.
    > G1 = lmer (RT ~ (1 | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata)
    > Özeti (G1)
  7. Kuramsal olarak motivasyonlu bir düzende açıklayıcı değişkenler ekleyin. Örneğin, sözcüklerin temel frekansını sabit bir efekt olarak ekleyin. Temel veya yüzey frekansı gibi bazı değişkenler, Zipfian dağıtımları var, bu nedenle bir daha Gauss dağıtım şekli, örneğin, Logaritmik dönüşüm sonuçları bir dönüşüm ile modele ekleyin.
    > G2 = lmer (RT ~ log (BaseFrequency + 1) + (1 | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata)
    > Özeti (G2)
  8. Her Predictor (örn. Basefrequency) eklenirken ANOVA işlevine göre, modelin öngörücü olmadan bir modele kıyasla tahmin gücü önemli ölçüde iyileştirildi.
    > ANOVA (G1, G2)
    1. Basit model üzerinde yeni modelin sığması önemli bir fark varsa, daha az predictors ile en basit modeli tercih edin. Ayrıca, her modelin Akaike bilgi kriteri (AıC)30 ' a bakın. AıC, istatistiksel modellerin maksimum olasılığına göre bir veri kümesine nasıl sığabileceği konusunda bir ölçüsüdür. Düşük değerler31veri için daha iyi bir uyum gösterir.
      > AıC (G1); AıC (G2)
  9. 5,7 adımları yineleyin. ve 5,8. diğer açıklayıcı değişkenler ekleyerek, örneğin, bazı bu Tablo 1, tek tek teorik olarak motive sırada sunulan ve sadece bu önemli ölçüde modelin tahmin gücünü artırmak tutmak. Değişken uyarıcı başlangıçlı asynchrony kullanılırsa, modele sabit efekt değişkeni olarak ekleyin.
  10. Tahminleyiciler arasında teorik olarak motive olan etkileşimleri kontrol edin. Örneğin, yaş tarafından temel frekans günlüğüetkileşimi bir terim ekleyin.
    > G3 = lmer (RT ~ log (basefrequency + 1) + yaş + log (BaseFrequency + 1): yaş + (1 | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata)
    Not: bir öngörü başka bir değişken, ancak ana Predictor olarak önemli bir etkileşim terimi olarak önemli olabilir. Bu durumda, bu Predictor modelden kaldırmayın (aynı zamanda ana etkisi olarak dahil).
  11. Göre ekleme-katılımcı rasgele yamaçlarda32 "1 +" dahil ederek belirleyiciler için değişken adı önce, sonra "| Konu ", örneğin, (1 + log(basefrequency + 1) | Konu), çünkü katılımcıların yanıt süreleri kelimelerin sözlü özelliklerinden farklı şekillerde etkilenebilir.
    Not: birçok sürekli predictors varsa, rasgele eğim modelleri doğru farkları ve kovarlıkları33,34tahmin etmek için büyük miktarlarda veri gerektirdiğinden tüm rasgele yamaçlarına sahip olmak gerçekçi değildir. Maksimal model (başka bir deyişle, başarıyla hesaplamak) yakınsama değil durumda,33modeli basitleştirmek. Alternatif olarak, çok düzeyli modelleme35Bayesian sürümlerini uygulayın.
  12. Analiz her katılımcı grubu için ayrı olarak çalıştırın. Alternatif olarak, bir çözümleme tüm verileri, grup sabit efekt Predictor olarak çalıştırın ve sonra önemli predictors tarafından grup etkileşimi için sınayın.
    > G4 = lmer (RT ~ log (BaseFrequency + 1) + yaş + log (BaseFrequency + 1): Yaş + Grup + günlük (BaseFrequency + 1): Grup + (1 + log (BaseFrequency + 1) | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata)
  13. Olası aykırı ölçülerin etkisini ortadan kaldırmak için, veri noktalarını aşan mutlak standartlaştırılmış kalıntılar, örn. 2,5 standart sapmalar26ve yeni verilerle (yourdata2) modele yeniden sığdırma.
    > yourdata2 = verileriniz [ABS (ölçek (RESID (G4))) < 2,5,]
    > G5 = lmer (RT ~ log (BaseFrequency + 1) + yaş + log (BaseFrequency + 1): Yaş + Grup + log (BaseFrequency + 1): Grup + (1 + log (BaseFrequency + 1) | Konu) + (1 | Madde) + (1 | Deneme), veri = yourdata2)
    Not: tüm aşırı veri noktaları modeli için zararlı-sadece model üzerinde aşırı kaldıraç olan olanlar.
  14. Araştırmacı (veri odaklı) çözümleme durumunda, geriye dönük aşamalı regresyon kullanın: ilk analiz tüm değişkenleri içerir ve sonra adım adım moda modelinden önemli olmayan değişkenleri kaldırın. Alternatif olarak, lmertest29paketi tarafından sağlanan Step işlevi ile önemli olmayan belirleyiciler ortadan kaldırmak otomatik yordamı kullanın.
    > adım (G4)

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tablo 1 , çözümde sabit efekt belirleyiciler olarak dahil edilen üç farklı kaynaktan (bir Corpus, sözlük ve test öğelerinin pilot testi) alınan değişkenlerin listesini gösterir. Bu değişkenlerin çoğu daha önce sözcük tanıma hızını etkileyecek şekilde bildirilmiştir.

Corpus:
Temel frekansbir sözcüğün tüm farklı formlarda (örn. çocuk...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dil üretimi gerektirmeyen basit bir dil görevi kullanarak, bu çalışmada nörolojik olarak sağlıklı genç ve yaşlı yetişkinlerde kelime tanıma çeşitli sözlü değişkenlerin etkisini araştırdı, hem de Alzheimer hastalığı olan insanlar veya hafif bilişsel bozukluk. "Büyük yetişkinler" işe alma için kullanılan yaş aralığı belirli araştırma çıkarları bağlı olabilir; Ancak, sağlıklı yaşlı grup için Aralık aynı çalışma için işe MCI veya AD ile bireyler için yaş aralığı ve dağılımı mümkün olduğunca yakından eşleşmelidir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların ifşa etmesi gereken hiçbir şey yok.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Biz Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen, ve Hilkka Soininen veri toplama ve işleme katkı için teşekkür ederiz burada bildirdi. Veri toplama AB tarafından etkin VPH demans araştırma tarafından destekleniyordu, Grant anlaşması No. 601055.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
E-PrimePsikoloji Yazılım Araçlarısürüm 2.0.10.356.
Windows'lu ve Klavyeli PC
, R, R İstatistiksel Hesaplama Vakfı, R Core Team (2018). R: İstatistiksel hesaplama için bir dil ve ortam. R Foundation for Statistical Computing, Viyana, Avusturya. URL https://www.R-project.org/.

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Kelime Tan ma H zKarma Etkili ModellerTemel Bile enler AnaliziReaksiyon S resi VerileriKognitif Ya lanmaDemans Ara t rmalarAlzheimer HastalDeneysel Protokol

İlgili makaleler