Summary

Compito decisionale lessicale per studiare il riconoscimento delle parole scritte negli adulti con e senza demenza o lieve danno cognitivo

Published: June 25, 2019
doi:

Summary

Questo articolo descrive come implementare un semplice esperimento di decisione lessicale per valutare il riconoscimento delle parole scritte nei partecipanti neurologicamente sani e negli individui con demenza e declino cognitivo. Forniamo anche una descrizione dettagliata dell’analisi del tempo di reazione utilizzando l’analisi dei componenti principali (PCA) e la modellazione di effetti misti.

Abstract

Gli adulti più anziani sono più lenti a riconoscere gli oggetti visivi rispetto agli adulti più giovani. Lo stesso vale per riconoscere che una stringa di lettere è una parola reale. Le persone con malattia di Alzheimer (AD) o Mild Cognitive Impairment (MCI) dimostrano risposte ancora più lunghe nel riconoscimento delle parole scritte rispetto ai controlli anziani. Nonostante la tendenza generale verso un riconoscimento più lento nell’invecchiamento e nei disturbi neurocognitivi, alcune caratteristiche delle parole influenzano la velocità di riconoscimento delle parole indipendentemente dall’età o dalla neuropatotologia (ad esempio, la frequenza di utilizzo di una parola). Vi presentiamo qui un protocollo per esaminare l’influenza delle caratteristiche lessicali sui tempi di risposta del riconoscimento delle parole in un semplice esperimento di decisione lessicale somministrato agli adulti più giovani e anziani e alle persone con MCI o AD. In questo esperimento, ai partecipanti viene chiesto di decidere nel modo più rapido e preciso possibile se una determinata stringa di lettera sia o meno una parola reale. Descriviamo anche modelli a effetti misti e analisi dei componenti principali che possono essere utilizzati per rilevare l’influenza di diversi tipi di variabili lessicali o delle singole caratteristiche dei partecipanti sulla velocità di riconoscimento delle parole.

Introduction

Le parole sono memorizzate nel lessico mentale in una rete altamente interconnessa. Le connessioni tra le parole possono riflettere proprietà condivise, come la somiglianza semantica (ad esempio, cane e gatto), la somiglianza (cane e nebbia)o la co-occorrenza frequente nell’uso comune del linguaggio (ad es. cane e guinzaglio). Teorie cognitive del linguaggio,come la teoria basata sull’uso 1, sostengono che ogni incontro di una parola da parte di un utente linguistico ha un effetto sulla rappresentazione mentale della parola. Secondo la teoria di esempio, la rappresentazione di una parola è costituita da molti esemplari, che sono costruiti da singoli token di uso del linguaggio e che rappresentano la variabilità che esiste per una determinata categoria. La frequenza di utilizzo2 influisce sulle rappresentazioni in memoria contribuendo alla forza di un esempio1.

La velocità di riconoscimento delle parole può rivelare le caratteristiche del lessico mentale. Un paradigma sperimentale comunemente usato per misurare la velocità del riconoscimento delle parole è il compito decisionale lessicale. In questa attività, ai partecipanti vengono presentate stringhe di lettere su un monitor, una alla volta. Essi sono istruiti a decidere il più rapidamente possibile se la stringa di lettera sullo schermo è una parola reale o non premendo il pulsante corrispondente.

Esaminando i tempi di reazione per le parole reali, i ricercatori possono affrontare una serie di domande importanti sull’elaborazione del linguaggio. Ad esempio, identificare quali fattori rendono più veloce il riconoscimento può testare ipotesi sulla struttura del lessico mentale e rivelarne l’architettura. Inoltre, il confronto delle prestazioni tra diversi gruppi di partecipanti può aiutarci a comprendere l’influenza di vari tipi di esperienza linguistica o, nel caso di malattie di invecchiamento o neurodegenerative (ad esempio, il morbo di Alzheimer), il ruolo declino.

Alcuni fattori (ad esempio, la frequenza di utilizzo) hanno un’influenza maggiore sul riconoscimento delle parole rispetto ad altri fattori (ad esempio, la lunghezza delle parole). Con l’avanzare dell’età, il modo in cui le persone riconoscono le parole scritte potrebbe cambiare3,4. Gli adulti più giovani tendono a fare molto affidamento sugli aspetti semantici (basati sul significato) di una parola, come il numero di composti (ad esempio, bulldog)o parole derivate (ad esempio, doggy) condividono aspetti di forma e significato con la parola di destinazione (in questo caso, cane). Il riconoscimento delle parole per gli adulti più anziani sembra essere più influenzato dagli aspetti basati sulla forma, come la frequenza con cui due lettere successive si contraddicono nella lingua (ad esempio, la combinazione di lettere st si verifica più spesso nelle parole inglesi rispetto alla combinazione sk).

Per determinare i fattori che influenzano la velocità di riconoscimento delle parole in diversi gruppi, il ricercatore può manipolare determinate variabili nel set di stimoli e quindi testare la potenza di queste variabili per prevedere la velocità di riconoscimento delle parole. Ad esempio, per verificare se il riconoscimento delle parole è guidato da fattori semantici o basati su form, il set di stimoli deve includere variabili che riflettono il grado di connettività di una parola ai suoi vicini semantici nel lessico mentale o la sua connettività ad altre parole che condividono parte della sua forma.

Questo metodo è stato utilizzato nello studio attuale per studiare se la velocità di riconoscimento delle parole è influenzata da diversi fattori negli adulti più giovani e più anziani e negli individui con malattia di Alzheimer (AD) o lieve danno cognitivo (MCI)3. Il metodo qui descritto si basa sul riconoscimento visivo delle parole, ma può essere adattato alla modalità uditiva. Tuttavia, alcune variabili che sono predittori significativi dei tempi di reazione in un tipico esperimento di decisione lessicale visiva potrebbero non prevedere le latenze di risposta in una decisione lessicale uditiva o possono avere l’effetto opposto. Ad esempio, il quartiere fonologico ha l’effetto opposto su queste due modalità5: le parole con quartieri fonologici più grandi esibiscono un effetto facilitatorivo sul riconoscimento visivo delle parole, ma si traducono in latenze di risposta più lunghe in decisione lessicale uditiva6.

Le difficoltà di ricerca delle parole negli adulti più anziani7 sono state generalmente attribuite alla difficoltà di accesso alla forma di parola fonologica piuttosto che a una ripartizione della rappresentazione semantica8. Tuttavia, la ricerca AD si è concentrata principalmente sui cali semanticidi 9,10,11,12,13,14. È importante districare il modo in cui i fattori semantici e ortografici influenzano il riconoscimento delle parole scritte nell’invecchiamento con e senza declino cognitivo. L’influenza dei fattori legati alla forma è più pronunciata negli adulti più anziani che negli adulti più giovani e rimane significativa nelle persone con MCI o AD3. Così, questa metodologia può aiutarci a scoprire le caratteristiche del lessico mentale tra diverse popolazioni e identificare i cambiamenti nell’organizzazione del lessico con l’età e la neuropatologia. Una preoccupazione quando si testano i pazienti con neuropatologia è che essi possono avere difficoltà ad accedere alle conoscenze relative alle attività. Tuttavia, il compito decisionale lessicale è un compito semplice, senza alcun onere sulla memoria di lavoro o altre abilità cognitive complesse che molti pazienti presentano problemi con. È stato considerato appropriato per le popolazioni di AD e MCI.

Protocol

Il protocollo segue le linee guida del Comitato Etico del Distretto Ospedaliero del Savo Settentrionale (IRB00006251). 1. Screening dei partecipanti Recluta adulti più giovani e più anziani che hanno una visione normale o corretta-to-normale e sono madrelingua della lingua testata a meno che lo studio non affronti domande specifiche di ricerca riguardanti l’acquisizione della seconda lingua. Per gruppi di controllo sani, escludere i partecipanti che hanno una storia di di…

Representative Results

La tabella 1 mostra un elenco di variabili ottenute da tre diverse origini (un corpus, un dizionario e test pilota degli elementi di test) che sono incluse nell’analisi come predittori a effetto fisso. Molte di queste variabili sono state precedentemente segnalate per influenzare la velocità di riconoscimento delle parole. corpus: Frequenza di…

Discussion

Utilizzando un semplice compito linguistico che non richiede la produzione linguistica, il presente studio ha studiato l’impatto di varie variabili lessicali sul riconoscimento delle parole negli adulti più giovani e anziani neurologicamente sani, nonché nelle persone con malattia di Alzheimer o Mild Cognitive Impairment. La fascia di età utilizzata per reclutare “adulti più anziani” potrebbe dipendere dagli interessi di ricerca specifici; tuttavia, la gamma per il gruppo di anziani sani dovrebbe corrispondere il pi?…

Declarações

The authors have nothing to disclose.

Acknowledgements

Ringraziamo Minna Lehtonen, Tuomo H’nninen, Merja Hallikainen e Hilkka Soininen per il loro contributo alla raccolta e all’elaborazione dei dati riportati qui. La raccolta dei dati è stata supportata da VPH Dementia Research, abilitata dall’ACCORDO di sovvenzione n. 601055 dell’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/.

Referências

  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

Citar este artigo
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