Summary

Tâche de décision lexicale pour l'étude de la reconnaissance de la parole écrite chez les adultes atteints ou non de démence ou d'une déficience cognitive légère

Published: June 25, 2019
doi:

Summary

Cet article décrit comment mettre en œuvre une expérience de décision lexicale simple pour évaluer la reconnaissance écrite de mot dans les participants neurologiquement sains et dans les individus avec la démence et le déclin cognitif. Nous fournissons également une description détaillée de l’analyse du temps de réaction à l’aide de l’analyse des principaux composants (APC) et de la modélisation des effets mixtes.

Abstract

Les personnes âgées sont plus lentes à reconnaître les objets visuels que les jeunes adultes. Il en va de même pour la reconnaissance qu’une chaîne de lettres est un vrai mot. Les personnes atteintes de la maladie d’Alzheimer (MA) ou d’une déficience cognitive légère (MCI) démontrent des réponses encore plus longues dans la reconnaissance écrite que les témoins âgés. Malgré la tendance générale à une reconnaissance plus lente dans le vieillissement et les troubles neurocognitifs, certaines caractéristiques des mots influencent la vitesse de reconnaissance des mots, peu importe l’âge ou la neuropathologie (p. ex., la fréquence d’utilisation d’un mot). Nous présentons ici un protocole pour examiner l’influence des caractéristiques lexicales sur les temps de réponse de reconnaissance de mot dans une expérience simple de décision lexicale administrée aux adultes plus jeunes et plus âgés et aux personnes avec MCI ou AD. Dans cette expérience, les participants sont invités à décider aussi rapidement et avec précision que possible si une chaîne de lettre donnée est un mot réel ou non. Nous décrivons également des modèles d’effets mixtes et des analyses de composants principaux qui peuvent être utilisés pour détecter l’influence de différents types de variables lexicales ou de caractéristiques individuelles des participants sur la vitesse de reconnaissance des mots.

Introduction

Les mots sont stockés dans le lexique mental dans un réseau très interconnecté. Les liens entre les mots peuvent refléter des propriétés partagées, telles que la similitude sémantique (p. ex., chien et chat),la similitude de forme (chien et brouillard),ou la cooccurrence fréquente dans l’utilisation courante de la langue (p. ex., chien et laisse). Les théories cognitives du langage, telles que la théorie basée sur l’utilisation1, soutiennent que chaque rencontre d’un mot par un utilisateur de langue a un effet sur la représentation mentale du mot. Selon la théorie exemplaire, la représentation d’un mot se compose de nombreux exemples, qui sont construits à partir de jetons individuels de l’utilisation du langage et qui représentent la variabilité qui existe pour une catégorie donnée. La fréquence d’utilisation2 influe sur les représentations dans la mémoire en contribuant à la force d’un exemplaire1.

La vitesse de reconnaissance des mots peut révéler les caractéristiques du lexique mental. Un paradigme expérimental couramment utilisé pour mesurer la vitesse de la reconnaissance des mots est la tâche de décision lexicale. Dans cette tâche, les participants sont présentés avec des chaînes de lettres sur un moniteur, un à la fois. Ils sont chargés de décider le plus rapidement possible si la chaîne de lettre à l’écran est un vrai mot ou non en appuyant sur le bouton correspondant.

En examinant les temps de réaction pour les mots réels, les chercheurs peuvent répondre à un certain nombre de questions importantes sur le traitement du langage. Par exemple, identifier les facteurs qui rendent la reconnaissance plus rapide peut tester des hypothèses sur la structure du lexique mental et révéler son architecture. De plus, les comparaisons du rendement entre différents groupes de participants peuvent nous aider à comprendre l’influence de divers types d’expérience linguistique, ou, dans le cas du vieillissement ou des maladies neurodégénératives (p. ex., la maladie d’Alzheimer), le rôle de la maladie cognitive décliner.

Certains facteurs (p. ex., la fréquence d’utilisation) ont une plus grande influence sur la reconnaissance des mots que d’autres facteurs (p. ex., longueur des mots). Avec l’âge avancé, la façon dont les gens reconnaissent les mots écrits pourrait changer3,4. Les jeunes adultes ont tendance à s’appuyer fortement sur les aspects sémantiques (basés sur le sens) d’un mot, comme le nombre de composés (p. ex. bulldog) ou les mots dérivés (p. ex., doggy) partagent des aspects de la forme et du sens avec le mot cible (dans ce cas, chien). La reconnaissance des mots pour les personnes âgées semble être plus influencée par des aspects fondés sur des formulaires, comme la fréquence à laquelle deux lettres subséquentes coproduisent dans la langue (p. ex., la combinaison de lettres st se produit plus souvent dans les mots anglais que la combinaison sk).

Pour déterminer les facteurs qui influencent la vitesse de reconnaissance des mots entre les différents groupes, le chercheur peut manipuler certaines variables dans l’ensemble de stimulus, puis tester la puissance de ces variables pour prédire la vitesse de reconnaissance des mots. Par exemple, pour vérifier si la reconnaissance des mots est motivée par des facteurs sémantiques ou basés sur la forme, l’ensemble de stimulus devrait inclure des variables qui reflètent le degré de connectivité d’un mot à ses voisins sémantiques dans le lexique mental ou sa connectivité à d’autres mots qui partagent une partie de sa forme.

Cette méthode a été utilisée dans la présente étude pour déterminer si la vitesse de reconnaissance des mots est influencée par différents facteurs chez les adultes plus jeunes et plus âgés et chez les personnes atteintes de la maladie d’Alzheimer (MA) ou d’une déficience cognitive légère (MCI)3. La méthode décrite ici est basée sur la reconnaissance visuelle des mots, mais peut être adaptée à la modalité auditive. Cependant, certaines variables qui sont des prédicteurs significatifs des temps de réaction dans une expérience visuelle typique de décision lexicale pourraient ne pas prévoir les latences de réponse dans une décision lexicale auditive ou peuvent avoir l’effet inverse. Par exemple, le quartier phonologique a l’effet inverse à travers ces deux modalités5: les mots avec de plus grands quartiers phonologiques présentent un effet facilitateur sur la reconnaissance visuelle des mots, mais entraînent des retards de réponse plus longs dans décision lexicale auditive6.

Les difficultés de recherche de mots chez les personnes âgées7 ont généralement été attribuées à la difficulté d’accéder à la forme de mot phonologique plutôt qu’à une ventilation de la représentation sémantique8. Cependant, la recherche aD a principalement porté sur les déclins sémantiques9,10,11,12,13,14. Il est important de démêler comment les facteurs sémantiques et orthographiques influencent la reconnaissance des mots écrits dans le vieillissement avec et sans déclin cognitif. L’influence des facteurs liés à la forme est plus prononcée chez les personnes âgées que chez les jeunes adultes, et elle demeure importante chez les personnes atteintes d’ICM ou d’AD3. Ainsi, cette méthodologie peut nous aider à découvrir des caractéristiques du lexique mental à travers différentes populations et identifier les changements dans l’organisation du lexique avec l’âge et la neuropathologie. Une préoccupation lors du dépistage des patients atteints de neuropathologie est qu’ils peuvent avoir des difficultés à accéder aux connaissances liées aux tâches. Cependant, la tâche de décision lexicale est une tâche simple sans fardeau sur la mémoire de travail ou d’autres compétences cognitives complexes que de nombreux patients présentent des problèmes avec. Il a été jugé approprié pour les populations de la MA et de l’ICM.

Protocol

Le protocole suit les lignes directrices du Comité d’éthique du district hospitalier de Northern Savo (IRB00006251). 1. Dépistage des participants Recruter des personnes plus jeunes et plus âgées qui ont une vision normale ou corrigée à la normale et qui sont des locuteurs natifs de la langue testée, à moins que l’étude ne réponde à des questions de recherche précises concernant l’acquisition de la langue seconde. Pour les groupes témoins en bonne santé, excl…

Representative Results

Le tableau 1 montre une liste de variables qui ont été obtenues à partir de trois sources différentes (un corpus, un dictionnaire et des essais pilotes d’éléments d’essai) qui sont incluses dans l’analyse en tant que prédicteurs à effet fixe. Beaucoup de ces variables ont été précédemment rapportées pour affecter la vitesse de reconnaissance de mot. corpus: …

Discussion

En utilisant une tâche linguistique simple qui ne nécessite pas de production linguistique, la présente étude a étudié l’impact de diverses variables lexicales sur la reconnaissance des mots chez les jeunes et les personnes âgées en santé neurologique, ainsi que chez les personnes atteintes de la maladie d’Alzheimer. ou une déficience cognitive légère. La tranche d’âge utilisée pour recruter des « personnes âgées » peut dépendre des intérêts de recherche spécifiques; cependant, la gamme pour le grou…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Nous remercions Minna Lehtonen, Tuomo Honninen, Merja Hallikainen et Hilkka Soininen pour leur contribution à la collecte et au traitement des données signalées ici. La collecte de données a été soutenue par VPH Dementia Research, rendue possible par l’accord de subvention no 601055 de l’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/.

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).
check_url/59753?article_type=t

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