Summary

Tarefa de decisão lexical para o estudo do reconhecimento de palavras escritas em adultos com e sem demência ou comprometimento cognitivo leve

Published: June 25, 2019
doi:

Summary

Este artigo descreve como implementar um experimento de decisão lexical simples para avaliar o reconhecimento de palavras escritas em participantes neurologicamente saudáveis e em indivíduos com demência e declínio cognitivo. Também fornecemos uma descrição detalhada da análise do tempo de reação usando a análise de componentes principais (PCA) e a modelagem de efeitos mistos.

Abstract

Adultos mais velhos são mais lentos em reconhecer objetos visuais do que os adultos mais jovens. O mesmo é verdadeiro para reconhecer que uma seqüência de caracteres de letra é uma palavra real. Pessoas com doença de Alzheimer (AD) ou insuficiência cognitiva ligeira (MCI) demonstram respostas ainda mais longas em reconhecimento de palavras escritas do que os controles idosos. Apesar da tendência geral para o reconhecimento mais lento no envelhecimento e distúrbios neurocognitivos, certas características das palavras influenciam a velocidade de reconhecimento de palavra, independentemente da idade ou neuropatologia (por exemplo, a freqüência de uma palavra de uso). Nós apresentamos aqui um protocolo para examinar a influência de características lexical em tempos de resposta do reconhecimento de palavra em um experimento lexical simples da decisão administrado aos adultos mais novos e mais idosos e aos povos com MCI ou AD. Neste experimento, os participantes são solicitados a decidir o mais rápido e preciso possível se uma determinada seqüência de caracteres de letra é uma palavra real ou não. Também descrevemos modelos de efeitos mistos e análise de componentes principais que podem ser usados para detectar a influência de diferentes tipos de variáveis lexicais ou características individuais dos participantes na velocidade de reconhecimento de palavras.

Introduction

As palavras são armazenadas no léxico mental em uma rede altamente interconectada. As conexões entre as palavras podem refletir Propriedades compartilhadas, como similaridade semântica (por exemplo, cão e gato), semelhança de forma (cão e nevoeiro), ou frequente coocorrência no uso de linguagem comum (por exemplo, cão e trela). As teorias cognitivas da linguagem, como a teoria baseada no uso1, argumentam que cada encontro de uma palavra por um usuário de linguagem tem um efeito sobre a representação mental da palavra. De acordo com a teoria exemplar, a representação de uma palavra consiste em muitos exemplares, que são construídos a partir de tokens individuais de uso da linguagem e que representam a variabilidade que existe para uma determinada categoria. A frequência de uso2 impacta as representações na memória, contribuindo para a força de um exemplar1.

A velocidade de reconhecimento de palavras pode revelar as características do léxico mental. Um paradigma experimental comumente usado para medir a velocidade do reconhecimento de palavras é a tarefa de decisão lexical. Nesta tarefa, os participantes são apresentados com seqüências de caracteres de letra em um monitor, um de cada vez. Eles são instruídos a decidir o mais rapidamente possível se a seqüência de caracteres da letra na tela é uma palavra real ou não pressionando o botão correspondente.

Examinando os tempos de reação para palavras reais, os pesquisadores podem abordar uma série de questões importantes sobre o processamento de linguagem. Por exemplo, identificar quais fatores tornam o reconhecimento mais rápido pode testar hipóteses sobre a estrutura do léxico mental e revelar sua arquitetura. Além disso, comparações de desempenho em diferentes grupos de participantes podem ajudar-nos a compreender a influência de vários tipos de experiência linguística, ou, no caso de doenças de envelhecimento ou neurodegenerativas (por exemplo, a doença de Alzheimer), o papel do cognitivo Declínio.

Alguns fatores (por exemplo, a frequência de uso) exibem maior influência no reconhecimento de palavras do que outros fatores (por exemplo, comprimento da palavra). Com o avanço da idade, a maneira como as pessoas reconhecem palavras escritas pode mudar3,4. Os adultos mais jovens tendem a depender fortemente de aspectos semânticos (baseados em significado) de uma palavra, como quantos compostos (por exemplo, Bulldog) ou palavras derivadas (por exemplo, Doggy) compartilham aspectos de forma e significado com a palavra-alvo (neste caso, Dog). O reconhecimento de palavras para adultos mais velhos parece ser mais influenciado por aspectos baseados em formulários, como a frequência que duas letras subsequentes coocorrem na língua (por exemplo, a combinação de letra St ocorre mais frequentemente em palavras em inglês do que a combinação SK).

Para determinar os fatores que influenciam a velocidade de reconhecimento de palavras em diferentes grupos, o pesquisador pode manipular determinadas variáveis no conjunto de estímulos e, em seguida, testar o poder dessas variáveis para prever a velocidade de reconhecimento de palavras. Por exemplo, para testar se o reconhecimento de palavras é conduzido por fatores semânticos ou baseados em formulário, o conjunto de estímulos deve incluir variáveis que refletem o grau de conectividade de uma palavra a seus vizinhos semânticos no léxico mental ou sua conectividade com outras palavras que compartilham parte de sua forma.

Este método foi utilizado no estudo atual para investigar se a velocidade de reconhecimento de palavras é influenciada por diferentes fatores em adultos mais jovens e idosos e em indivíduos com doença de Alzheimer (AD) ou comprometimento cognitivo leve (MCI)3. O método descrito aqui é baseado no reconhecimento visual da palavra, mas pode ser adaptado à modalidade auditiva. No entanto, algumas variáveis que são preditoras significativas de tempos de reação em um experimento de decisão lexical Visual típica podem não prever latências de resposta em uma decisão lexical auditiva ou podem ter o efeito oposto. Por exemplo, o bairro fonológico tem o efeito oposto nessas duas modalidades5: as palavras com maiores bairros fonológicos exibem um efeito facilitador no reconhecimento da palavra Visual, mas resultam em latências de resposta mais longas em decisão lexical auditiva6.

Dificuldades de encontrar palavras em adultos mais velhos7 têm sido geralmente atribuídas à dificuldade de acessar a forma de palavra fonológica em vez de uma repartição da representação semântica8. No entanto, a pesquisa de anúncios se concentrou principalmente em declínios semânticos9,10,11,12,13,14. É importante separar como os fatores semânticos e ortográficos influenciam o reconhecimento de palavras escritas no envelhecimento com e sem declínio cognitivo. A influência dos fatores relacionados à forma é mais pronunciada em idosos do que em adultos mais jovens, e permanece significante em pessoas com MCI ou AD3. Assim, essa metodologia pode nos ajudar a descobrir as características do léxico mental em diferentes populações e identificar mudanças na organização do léxico com a idade e a neuropatologia. Uma preocupação ao testar pacientes com neuropatologia é que eles podem ter dificuldades para acessar o conhecimento relacionado à tarefa. Entretanto, a tarefa lexical da decisão é uma tarefa simples sem a carga na memória de trabalho ou em outras habilidades cognitivas complexas que muitos pacientes exibem problemas com. Foi considerado apropriado para populações de AD e de MCI.

Protocol

O protocolo segue as diretrizes do Comitê de ética do distrito hospitalar do norte do Savo (IRB00006251). 1. triagem participante Recrutar adultos mais jovens e idosos que têm visão normal ou corrigida para normal e são falantes nativos da língua testada, a menos que o estudo aborda questões específicas de pesquisa sobre a aquisição de segunda língua. Para grupos de controle saudáveis, exclua os participantes que têm um histórico de distúrbios neurológicos o…

Representative Results

A tabela 1 mostra uma lista de variáveis que foram obtidas de três fontes diferentes (um corpus, um dicionário e testes piloto de itens de teste) que são incluídas na análise como preditoras de efeito fixo. Muitas dessas variáveis têm sido relatadas anteriormente para afetar a velocidade de reconhecimento de palavras. Corpus: Frequênci…

Discussion

Usando uma tarefa de linguagem simples que não requer produção de linguagem, o presente estudo investigou o impacto de várias variáveis lexicais no reconhecimento de palavras em adultos mais jovens e idosos neurologicamente saudáveis, bem como em pessoas com doença de Alzheimer ou comprometimento cognitivo leve. A faixa etária usada para recrutar “idosos” pode depender dos interesses específicos da pesquisa; no entanto, o intervalo para o grupo idoso saudável deve corresponder o mais próximo possível da faixa…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Agradecemos a Minna Lehtonen, Tuomo Hänninen, Merja Hallikainen e Hilkka Soininen por sua contribuição para a coleta de dados e o processamento relatados aqui. A coleta de dados foi apoiada pela VPH demência Research habilitada pela UE, acordo de subvenção n º 601055.

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/.

References

  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

Cite This Article
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