Summary

Tarea de decisión léxica para el estudio del reconocimiento de palabras escritas en adultos con y sin demencia o deterioro cognitivo leve

Published: June 25, 2019
doi:

Summary

Este artículo describe cómo implementar un simple experimento de decisión léxica para evaluar el reconocimiento de palabras escritas en participantes neurológicamente sanos y en individuos con demencia y deterioro cognitivo. También proporcionamos una descripción detallada del análisis del tiempo de reacción utilizando el análisis de componentes principales (PCA) y el modelado de efectos mixtos.

Abstract

Los adultos mayores son más lentos en el reconocimiento de objetos visuales que los adultos más jóvenes. Lo mismo es cierto para reconocer que una cadena de letra es una palabra real. Las personas con enfermedad de Alzheimer (AD) o deterioro cognitivo leve (MCI) demuestran respuestas aún más largas en el reconocimiento de palabras escritas que los controles de ancianos. A pesar de la tendencia general hacia un reconocimiento más lento en el envejecimiento y los trastornos neurocognitivos, ciertas características de las palabras influyen en la velocidad de reconocimiento de palabras independientemente de la edad o la neuropatología (por ejemplo, la frecuencia de uso de una palabra). Presentamos aquí un protocolo para examinar la influencia de las características léxicas en los tiempos de respuesta del reconocimiento de palabras en un simple experimento de decisión léxica administrado a adultos más jóvenes y mayores y personas con MCI o AD. En este experimento, se pide a los participantes que decidan lo más rápido y exactamente posible si una cadena de letra determinada es una palabra real o no. También describimos modelos de efectos mixtos y análisis de componentes principales que se pueden utilizar para detectar la influencia de diferentes tipos de variables léxicas o características individuales de los participantes en la velocidad de reconocimiento de palabras.

Introduction

Las palabras se almacenan en el léxico mental en una red altamente interconectada. Las conexiones entre las palabras pueden reflejar propiedades compartidas, como la similitud semántica (por ejemplo, perro y gato), la similitud de forma (perro y niebla),o la co-ocurrencia frecuente en el uso del lenguaje común (por ejemplo, perro y gato) correa). Las teorías cognitivas del lenguaje, como la teoría basada en el uso1, argumentan que cada encuentro de una palabra por un usuario del lenguaje tiene un efecto en la representación mental de la palabra. Según la Teoría Ejemplar, la representación de una palabra consiste en muchos ejemplares, que se construyen a partir de tokens individuales de uso del lenguaje y que representan la variabilidad que existe para una categoría determinada. La frecuencia de uso2 afecta a las representaciones en la memoria al contribuir a la fuerza de un ejemplar1.

La velocidad de reconocimiento de palabras puede revelar las características del léxico mental. Un paradigma experimental comúnmente utilizado para medir la velocidad del reconocimiento de palabras es la tarea de decisión léxica. En esta tarea, los participantes se presentan con cadenas de letras en un monitor, una a la vez. Se les indica que decidan lo antes posible si la cadena de letra en la pantalla es una palabra real o no pulsando el botón correspondiente.

Al examinar los tiempos de reacción en busca de palabras reales, los investigadores pueden abordar una serie de preguntas importantes sobre el procesamiento del lenguaje. Por ejemplo, identificar qué factores hacen que el reconocimiento sea más rápido puede probar hipótesis sobre la estructura del léxico mental y revelar su arquitectura. Además, las comparaciones de rendimiento entre diferentes grupos de participantes pueden ayudarnos a comprender la influencia de varios tipos de experiencia del lenguaje, o, en el caso del envejecimiento o enfermedades neurodegenerativas (por ejemplo, la enfermedad de Alzheimer), el papel de la enfermedad de Alzheimer, el papel de la enfermedad cognitiva rechazar.

Algunos factores (por ejemplo, la frecuencia de uso) muestran una mayor influencia en el reconocimiento de palabras que otros factores (por ejemplo, la longitud de la palabra). Con el avance de la edad, la forma en que las personas reconocen las palabras escritas puede cambiar3,4. Los adultos más jóvenes tienden a depender en gran medida de aspectos semánticos (basados en significados) de una palabra, como cuántos compuestos (por ejemplo, bulldog) o palabras derivadas (por ejemplo, perrito)comparten aspectos tanto de forma como de significado con la palabra objetivo (en este caso, perro). El reconocimiento de palabras para adultos mayores parece estar más influenciado por aspectos basados en formas, como la frecuencia con la que dos letras posteriores coexisten en el idioma (por ejemplo, la combinación de letras st ocurre con más frecuencia en palabras en inglés que la combinación sk).

Para determinar los factores que influyen en la velocidad de reconocimiento de palabras en diferentes grupos, el investigador puede manipular ciertas variables en el conjunto de estímulo y luego probar el poder de estas variables para predecir la velocidad de reconocimiento de palabras. Por ejemplo, para probar si el reconocimiento de palabras está impulsado por factores semánticos o basados en la forma, el conjunto de estímulos debe incluir variables que reflejen el grado de conectividad de una palabra con sus vecinos semánticos en el léxico mental o su conectividad con otras palabras que comparten parte de su forma.

Este método se utilizó en el estudio actual para investigar si la velocidad de reconocimiento de palabras está influenciada por diferentes factores en adultos jóvenes y mayores y en individuos con enfermedad de Alzheimer (AD) o deterioro cognitivo leve (MCI)3. El método descrito aquí se basa en el reconocimiento visual de palabras, pero se puede adaptar a la modalidad auditiva. Sin embargo, algunas variables que son predictores significativos de tiempos de reacción en un experimento de decisión léxica visual típico podrían no predecir latencias de respuesta en una decisión léxica auditiva o pueden tener el efecto contrario. Por ejemplo, el barrio fonológico tiene elefecto contrario en estas dos modalidades 5: palabras con barrios fonológicos más grandes exhiben un efecto facilitador en el reconocimiento visual de palabras, pero dan lugar a latencias de respuesta más largas en decisión léxica auditiva6.

Las dificultades para encontrar palabras en los adultos mayores7 se han atribuido generalmente a la dificultad para acceder a la forma de la palabra fonológica en lugar de a un desglose de la representación semántica8. Sin embargo, la investigación ad se ha centrado principalmente en los declives semánticos9,10,11,12,13,14. Es importante desenredar cómo los factores semánticos y ortográficos influyen en el reconocimiento de las palabras escritas en el envejecimiento con y sin deterioro cognitivo. La influencia de los factores relacionados con la forma es más pronunciada en los adultos mayores que en los adultos más jóvenes, y sigue siendo significativa en personas con ICM oAD 3. Por lo tanto, esta metodología puede ayudarnos a descubrir características del léxico mental en diferentes poblaciones e identificar cambios en la organización del léxico con la edad y la neuropatología. Una preocupación cuando se prueba a pacientes con neuropatología es que pueden tener dificultades para acceder a los conocimientos relacionados con las tareas. Sin embargo, la tarea de decisión léxica es una tarea simple sin carga en la memoria de trabajo u otras habilidades cognitivas complejas con las que muchos pacientes exhiben problemas. Se ha considerado apropiado para las poblaciones de AD y MCI.

Protocol

El protocolo sigue las directrices del Comité de ética del Distrito Hospitalario de Savo del Norte (IRB00006251). 1. Examen de participantes Reclutar adultos jóvenes y mayores que tengan una visión normal o corregida a la normal y sean hablantes nativos del idioma probado a menos que el estudio aborde preguntas específicas de investigación con respecto a la adquisición del segundo idioma. Para grupos de control saludables, excluya a los participantes que tengan antec…

Representative Results

La Tabla 1 muestra una lista de variables que se obtuvieron de tres fuentes diferentes (un corpus, un diccionario y pruebas piloto de elementos de prueba) que se incluyen en el análisis como predictores de efecto fijo. Muchas de estas variables se han reportado previamente para afectar la velocidad de reconocimiento de palabras. Corpus: Frecue…

Discussion

Mediante el uso de una tarea de lenguaje simple que no requiere producción del lenguaje, el presente estudio investigó el impacto de varias variables léxicas en el reconocimiento de palabras en adultos jóvenes y mayores neurológicamente sanos, así como en personas con enfermedad de Alzheimer o deterioro cognitivo leve. El rango de edad utilizado para reclutar “adultos mayores” podría depender de los intereses específicos de la investigación; sin embargo, el rango para el grupo de ancianos sanos debe coincidir lo…

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

Agradecemos a Minna Lehtonen, Tuomo Hénninen, Merja Hallikainen e Hilkka Soininen por su contribución a la recopilación y procesamiento de datos aquí informados. La recopilación de datos fue apoyada por VPH Dementia Research habilitado por el acuerdo de subvención No 601055 de la UE.

Materials

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/.

Referenzen

  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., Segalowitz, S. Language and brain dysfunction in dementia. Language functions and brain organization. , 267-282 (1983).
  13. Obler, L. K., Albert, M. L., Sarno, M. T. Language in the elderly aphasic and in the demented patient. Acquired aphasia. , 385-398 (1981).
  14. Obler, L. K., Gjerlow, K. . Language and the brain. , (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., Cutler, A. Data Mining at the Intersection of Psychology and Linguistics. Twenty-first century psycholinguistics: Four cornerstones. , 69-83 (2005).
  20. Brants, T., Franz, A. . Web 1T 5-gram, version 1. , (2006).
  21. Baayen, R. H., Piepenbrock, R., Gulikers, L. . The CELEX lexical database (CD-ROM). , (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. , (2018).
  25. Venables, W. N., Ripley, B. D. . Modern applied statistics with S. , (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., Petrov, B. N., Csaki, B. F. Information theory and an extension of the maximum likelihood principle. Second International Symposium on Information Theory. , 267-281 (1973).
  31. Sakamoto, Y., Ishiguro, M., Kitagawa, G. . Akaike Information Criterion Statistics. , (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., Dornick, S. Access to the internal lexicon. Attention and performance, vol. VI. , 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. , (2015).
  41. Baayen, R. H. . Analyzing linguistic data: A practical introduction to statistics using R. , (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).

Play Video

Diesen Artikel zitieren
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).

View Video