L'attività decisionale lessicale viene utilizzata per misurare la velocità di riconoscimento delle parole. Questo compito può rivelare le caratteristiche del lessico mentale e come il lessico cambia con l'invecchiamento e con i disturbi neurodegenerativi. Molti compiti linguistici richiedono il coordinamento del linguaggio e di altri aspetti della cognizione.
Il compito decisionale lessicale non si basa fortemente su altre abilità cognitive, che possono essere compromesse in alcune popolazioni, come i pazienti con demenza. Ad aiutare a dimostrare la procedura ci sarà Dalia Garcia, la nostra responsabile di laboratorio. Posizionare il partecipante davanti a un monitor del computer a una distanza di visualizzazione di circa 80 centimetri in una stanza normalmente illuminata.
Com'è stata la corsa? È stato bello. Premere il pulsante sinistro se la parola è una parola reale.
Istruisi il partecipante a decidere nel modo più rapido e accurato possibile se la stringa della lettera sullo schermo è una parola reale o meno premendo uno dei due pulsanti corrispondenti. Iniziate l'esperimento con una sessione di esercitazione che include un piccolo numero di prove con una parola presentata orizzontalmente per prova che sospendono un angolo visivo di circa cinque gradi. Dividi l'esperimento in blocchi e concedi brevi pause dopo la sessione di allenamento e tra i blocchi per consentire ai partecipanti di riposare gli occhi e ridurre l'affaticamento.
Quindi, inizia ogni nuovo blocco con alcuni elementi di riempimento di sostantivi comuni, come cane, sorella o anno, che non verranno inclusi nell'analisi. Presentare gli articoli in ordine casuale. Inizia ogni prova dell'esperimento con un segno di fissazione visualizzato al centro dello schermo per 500 millisecondi seguito da uno schermo vuoto per altri 500 millisecondi.
Immediatamente dopo la schermata vuota, presentare una stringa di lettera per 1.500 millisecondi o fino a quando il partecipante non risponde. Infine, dopo aver ricevuto una risposta, segui di nuovo con una schermata vuota fino a quando non sono passati 3.000 millisecondi dall'inizio della prova. Iniziare aprendo il file di output del programma di presentazione e ottenere il tempo di reazione, misurato in millisecondi, per ogni prova.
Importare dati in R utilizzando, ad esempio, la lettura. funzione tabella. Installare i pacchetti lme4 e lmerTest.
Collegare pacchetti con la libreria di funzioni o richiedere. Controllare la necessità di trasformazione utilizzando la funzione boxcox poiché la distribuzione dei dati del tempo di reazione è in genere altamente distorta. Trasforma i valori del tempo di reazione usando tempi di reazione trasformati invertiti o logaritmi binari dei tempi di reazione poiché queste trasformazioni tendono a fornire distribuzioni più normali per i tempi di reazione negli esperimenti decisionali lessicali rispetto ai valori del tempo di reazione grezzo.
Quindi, escludi le prove pseudo parola e filler, nonché le risposte e le omissioni errate. Escludere le prove con tempi di risposta più veloci di 300 millisecondi perché in genere indicano che il partecipante era troppo tardi per rispondere a uno stimolo precedente. Successivamente, crea un modello di effetti misti lineari di base che identifichi i tempi di reazione come misura del risultato e l'oggetto soggetto e la prova come effetti casuali.
Aggiungi gli effetti casuali per stimare le intercettazioni casuali per ciascuno degli effetti casuali. Aggiungere variabili esplicative in un ordine teoricamente motivato. Ad esempio, aggiungi la frequenza basata sulle parole come effetto fisso.
Inserire variabili, ad esempio la frequenza di base o di superficie, nel modello con una trasformazione che si traduce in una forma di distribuzione più gaussiana. Verificare con la funzione anova se l'aggiunta di ogni predittore ha migliorato significativamente la potenza predittiva del modello rispetto a un modello senza il predittore. Se non vi è alcuna differenza significativa nella vestibilità del nuovo modello rispetto al modello più semplice, scegliete il modello più semplice con meno predittori.
Controllare quindi il criterio di informazioni Akaike di ogni modello utilizzando la funzione AIC. Valori più bassi indicano una migliore soluzione per i dati. Successivamente, verificare la presenza di interazioni teoricamente motivate tra i predittori.
Ad esempio, aggiungi un termine di interazione, il registro della frequenza di base per età. Quindi aggiungi per partecipante pendenze casuali per i predittori includendo un più prima del nome della variabile, quindi una barra verticale, quindi soggetto, perché i tempi di reazione dei partecipanti potrebbero essere influenzati dalle loro caratteristiche individuali o dalle caratteristiche lessicali delle parole in modi diversi. Eseguire l'analisi per ogni gruppo partecipante separatamente o eseguire un'analisi su tutti i dati con il gruppo come predittore ad effetto fisso e quindi testare l'interazione di gruppo da parte di predittori significativi.
Al fine di rimuovere l'influenza di possibili valori anomali, escludere i punti dati con residui standardizzati assoluti superiori a 2,5 deviazioni standard e riadattare il modello con i nuovi dati. Infine, nel caso di analisi esplorativa basata sui dati, utilizzare una regressione graduale all'indietro. Includere tutte le variabili nell'analisi iniziale e quindi rimuovere variabili non significative dal modello in modo passo-passo.
Questi risultati indicano come la velocità di riconoscimento delle parole potrebbe essere diversa per gli adulti più giovani e gli adulti più anziani. Solo due componenti principali, PC1 e PC4, erano significativi nei giovani adulti. Tre componenti erano predittori significativi nei modelli per i controlli degli anziani, individui con lieve deficit cognitivo e individui con malattia di Alzheimer.
Questo terzo componente, PC2, è interpretato come riflesso dell'influenza degli aspetti basati sulla forma di una parola sulla velocità di riconoscimento delle parole. Inoltre, è emersa un'interessante differenza tra i tre gruppi di anziani. L'istruzione prevedeva significativamente la velocità di riconoscimento delle parole per i controlli degli anziani e gli individui con lieve deficit cognitivo, ma non per gli individui con malattia di Alzheimer.
Questa metodologia può essere applicata ad altri tipi di domande sul lessico mentale e ad altre popolazioni, come multilingui e persone con afasia.
