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

Sözlü karar görevi sözcük tanıma hızını ölçmek için kullanılır. Bu görev zihinsel sözlüğün özelliklerini ve sözlüğün yaşlanma ve nörodejeneratif bozukluklarla nasıl değiştiğini ortaya çıkarabilir. Birçok dil görevleri dil ve biliş diğer yönlerinin koordinasyonunu gerektirir.

Sözlü karar görevi ağır diğer bilişsel yetenekleri, bazı popülasyonlarda tehlikeye olabilir, demans hastaları gibi güvenmez. Prosedürü niçin göstermek için yardımcı bizim laboratuvar müdürü Dalia Garcia olacaktır. Katılımcıyı normal aydınlatılmış bir odada yaklaşık 80 santimetre lik bir izleme mesafesindeki bir bilgisayar monitörünün önüne yerleştirin.

Yolculuk nasıldı? İyiydi. Kelime gerçek bir sözcükse sol düğmeye basın.

Katılımcıya, ekrandaki harf dizesinin gerçek bir sözcük olup olmadığına karşılık gelen iki düğmeden birine basarak mümkün olduğunca hızlı ve doğru bir şekilde karar vermesi için talimat verin. Deneme başına yatay olarak sunulan tek bir sözcük ile deneme sayısının az sayıda olduğunu içeren bir alıştırma oturumuyla denemeyi başlatın. Deneyi bloklara bölün ve katılımcıların gözlerini dinlendirmelerine ve yorgunluğu azaltmalarına olanak sağlamak için alıştırma seansından sonra ve bloklar arasında kısa molalar verin.

Daha sonra, her yeni bloğu, analize dahil edilmeyen köpek, kardeş veya yıl gibi ortak olmayan birkaç maddeyle başlatın. Öğeleri rasgele sırayla sunun. Her deneme deneme sini, ekranın ortasında 500 milisaniye daha görünen bir sabitleme işareti ve ardından boş bir ekranla 500 milisaniye daha başlatın.

Boş ekrandan hemen sonra, 1,500 milisaniye veya katılımcı yanıt layana kadar bir harf dizesi sunun. Son olarak, bir yanıt yapıldıktan sonra, denemenin başlangıcından itibaren 3,000 milisaniye geçene kadar boş bir ekranla tekrar izleyin. Sunu programının çıktı dosyasını açarak başlayın ve her deneme için milisaniye cinsinden ölçülen tepki süresini elde edin.

Örneğin, okumayı kullanarak verileri R'ye aktarın. tablo işlevi. lme4 ve lmerTest paketlerini yükleyin.

İşlev kitaplığı ile paketleri takın veya gerektirir. Tepki süresi verilerinin dağılımı genellikle son derece çarpık olduğundan boxcox işlevini kullanarak dönüşüm gereksinimini kontrol edin. Bu dönüşümler, sözlü karar deneylerinde ham tepki süresi değerlerinden daha fazla tepki süreleri sağlama eğiliminde olduğundan, ters dönüştürülmüş tepki süreleri veya reaksiyon sürelerinin ikili logaritmalarını kullanarak tepki zamanı değerlerini dönüştürün.

Ardından, yanlış yanıtları ve eksikliklerin yanı sıra sözde sözcük ve dolgu denemelerini hariç taçık. Yanıt süreleri 300 milisaniyeden daha hızlı olan denemeleri hariç taçıklayın, çünkü bunlar genellikle katılımcının önceki bir uyarıcıya yanıt vermekte çok geç olduğunu gösterir. Ardından, tepki sürelerini sonuç ölçüsü ve konu öğesi ve denemeyi rasgele efektler olarak tanımlayan temel bir doğrusal karışık efekt modeli oluşturun.

Rasgele etkileri her biri için rasgele keser tahmin etmek için rasgele efektler ekleyin. Açıklayıcı değişkenleri teorik olarak motive edilen bir sırada ekleyin. Örneğin, sabit bir efekt olarak sözcük tabanlı frekans ekleyin.

Daha Gaussian dağılım şekliyle sonuçlanan bir dönüşümle modele taban veya yüzey frekansı gibi değişkenler ekleyin. Her bir predictor ekleyerek önemli ölçüde tahminci olmayan bir modele göre modelin tahmin gücünü artırdı eğer anova fonksiyonu ile kontrol edin. Yeni modelin daha basit modele uymasında önemli bir fark yoksa, daha az tahminöre sahip en basit modeli seçin.

Ardından, AIC işlevini kullanarak her modelin Akaike bilgi kriterini kontrol edin. Daha düşük değerler, verilere daha uygun olduğunu gösterir. Daha sonra, tahminörler arasında teorik olarak motive etkileşimleri olup olup olup yok.

Örneğin, etkileşim terimi, yaşa göre temel frekans günlüğü ekleyin. Daha sonra katılımcıların tepki süreleri bireysel özelliklerinden veya kelimelerin sözcüksel özelliklerinden farklı şekillerde etkilenebileceğinden, değişken adından önce bir artı, sonra dikey bir çubuk, sonra konu ekleyerek tahminciler için katılımcı rasgele eğimleri ekleyin. Her katılımcı grubu için analizi ayrı ayrı çalıştırın veya sabit etki tahmincisi olarak gruplu tüm veriler üzerinde bir analiz çalıştırın ve ardından önemli tahminörler tarafından grubun etkileşimini test edin.

Olası aykırıların etkisini ortadan kaldırmak için, standart sapmaları 2,5'i aşan mutlak standartlaştırılmış artıklara sahip veri noktalarını hariç taldırıp modeli yeni verilerle yeniden sığdırın. Son olarak, araştırmacı veri odaklı analiz durumunda, geriye doğru adım adım regresyon kullanın. İlk çözümlemedeki tüm değişkenleri ekleyin ve önemli olmayan değişkenleri adım adım modelden çıkarın.

Bu sonuçlar, kelime tanıma hızının genç yetişkinler ve yaşlı yetişkinler için nasıl farklı olabileceğini göstermektedir. Genç erişkinlerde sadece iki temel bileşen, PC1 ve PC4, önemliydi. Üç bileşen yaşlı kontrolleri için modellerde önemli belirleyiciler vardı, hafif bilişsel bozukluğu olan bireyler, ve Alzheimer hastalığı olan bireyler.

Bu üçüncü bileşen, PC2, sözcük tanıma hızı üzerinde bir kelimenin form tabanlı yönlerinin etkisini yansıtan olarak yorumlanır. Ayrıca, üç yaşlı grup arasında ilginç bir fark ortaya çıktı. Eğitim önemli ölçüde yaşlı kontrolleri ve hafif bilişsel bozukluğu olan bireyler için kelime tanıma hızı tahmin, ama Alzheimer hastalığı olan bireyler için değil.

Bu metodoloji, zihinsel sözlük ve çok dilli ve afazisi olan kişiler gibi diğer popülasyonlar hakkında diğer soru türlerine uygulanabilir.