词汇决策任务用于测量单词识别速度。这项任务可以揭示精神词典的特征，以及词典如何随衰老和神经退行性疾病而变化。许多语言任务需要语言和认知的其他方面的协调。
词汇决策任务并不严重依赖其他认知能力，这在某些人群中可能会受到损害，例如痴呆症患者。我们的实验室经理达利娅·加西亚（Dalia Garcia）将帮助我们演示这一程序。将学员放在计算机显示器前，在通常照明的房间中观看距离约为 80 厘米。
旅程怎么样？很好如果单词是真词，请按左键。
通过按下两个相应的按钮之一，指示学员尽可能快速准确地决定屏幕上的字母字符串是否为真字。以练习单元开始实验，该练习单元包括少量试验，每个试验水平显示一个单词，使视觉角度达到大约 5 度。将实验分成几个方块，在练习课后和两个方块之间进行短暂的休息，让参与者休息眼睛，减少疲劳。
接下来，用一些常见名词（如狗、姐妹或年）的填充项开始每个新块，这些项将不包括在分析中。以随机顺序呈现项目。开始每个实验试验，在屏幕中心出现一个固定标记 500 毫秒，然后再显示一个空白屏幕 500 毫秒。
紧接着空白屏幕，显示 1，500 毫秒的字母字符串，或直到参与者响应。最后，在做出响应后，再次使用空白屏幕，直到从试用开始开始 3，000 毫秒。首先打开演示程序的输出文件，获取每个试验的反应时间（以毫秒为单位）。
例如，使用读取将数据导入 R。表函数。安装包 lme4 和 lmerTest。
将包与函数库或要求一起附加。使用 boxcox 函数检查转换需求，因为反应时间数据的分布通常高度偏斜。使用倒置转化反应时间或反应时间二进制对数来转换反应时间值，因为这些转换往往在词汇决策实验中为反应时间提供比原始反应时间值更正常的分布。
接下来，排除伪单词和填充试验以及不正确的回答和遗漏。排除响应时间超过 300 毫秒的试验，因为它们通常表示参与者对以前的刺激做出响应太晚。接下来，构建一个基本的线性混合效应模型，将反应时间确定为结果测量值，将主题项和试验确定为随机效应。
添加随机效果，以估计每个随机效果的随机拦截。以理论激励的顺序添加解释变量。例如，添加基于单词的频率作为固定效果。
将变量（如基次或曲面频率）插入模型，其变换可产生更高斯分布形状。如果添加每个预测变量与没有预测值的模型相比，显著提高了模型的预测能力，请使用 anova 函数进行检查。如果新模型的拟合与更简单的模型没有显著差异，请选择预测变量较少的最简单模型。
然后，使用 AIC 函数检查每个模型的 Akaike 信息标准。值越低表示更适合数据。接下来，检查预测变量之间的理论激励交互。
例如，添加一个交互术语，即按年龄对基频的日志。然后按参与者随机坡度添加预测变量，在变量名称之前包括一个加号，然后添加一个垂直条形，然后按对象添加，因为参与者的反应时间可能受其个体特征或单词词汇特征的影响。分别运行每个参与者组的分析，或运行所有数据的分析，将组作为固定效果预测变量，然后测试由重要预测变量进行组的交互。
为了消除可能的异常值的影响，排除绝对标准化残差超过 2.5 标准差的数据点，并采用新数据重新拟合模型。最后，在探索性数据驱动分析中，使用向后步回归。在初始分析中包括所有变量，然后逐步从模型中删除非重大变量。
这些结果表明，对于年轻人和老年人来说，单词识别速度可能有所不同。在年轻人中，只有两个主要组件，PC1和PC4很重要。三个组成部分是老年人控制模型中的重要预测因素，有轻度认知障碍的人和阿尔茨海默病患者。
第三个组件 PC2 被解释为反映了单词基于形式方面对单词识别速度的影响。此外，三个老年群体之间出现了一个有趣的差异。教育显著预测了老年人控制和轻度认知障碍患者的单词识别速度，但对患有阿尔茨海默氏症的人则不显著。
这种方法可以应用于有关心理词典的其他类型的问题和其他人群，如多语种和失语症患者。
