어휘 결정 작업은 단어 인식 속도를 측정하는 데 사용됩니다. 이 작업은 정신 어휘의 특성과 노화와 신경 퇴행성 질환으로 어휘가 어떻게 변하는지 를 밝힐 수 있습니다. 많은 언어 작업에는 언어 및 인식의 다른 측면의 조정이 필요합니다.
어휘 결정 작업은 치매 환자와 같은 일부 인구에서 손상 될 수있는 다른 인지 능력에 크게 의존하지 않습니다. 절차를 입증하는 데 도움이 달리아 가르시아, 우리의 실험실 관리자가 될 것입니다. 일반적으로 조명이 설치된 방에 약 80센티미터의 시야 거리에 컴퓨터 모니터 앞에 참가자를 배치합니다.
어떻게 타고? 그것은 좋았다. 단어가 실제 단어인 경우 왼쪽 버튼을 누릅니다.
참가자에게 화면의 문자 문자열이 두 개의 해당 버튼 중 하나를 눌러 실제 단어인지 여부를 가능한 한 빠르고 정확하게 결정하도록 지시합니다. 시험당 수평으로 제시된 한 단어가 포함된 소수의 시험을 포함하는 연습 세션으로 실험을 시작하여 약 5도의 시각적 각도를 미묘하게 만듭니다. 실험을 블록으로 나누고 연습 세션 후와 블록 사이에 짧은 휴식을 제공하여 참가자가 눈을 쉬고 피로를 줄일 수 있도록 합니다.
다음으로, 각 새 블록을 개, 자매 또는 연도와 같은 일반적인 명사 몇 가지 필러 항목으로 시작하여 분석에 포함되지 않습니다. 항목을 임의의 순서로 제시합니다. 각 실험 시험을 500밀리초 동안 화면 중앙에 고정 마크가 표시된 다음 500밀리초 동안 빈 화면으로 시작합니다.
빈 화면 직후, 1, 500밀리초 동안 또는 참가자가 응답할 때까지 문자 문자열을 제시합니다. 마지막으로 응답이 이루어진 후 빈 화면으로 다시 따라 3, 000 밀리초가 시험 시작부터 경과할 때까지 다시 따르십시오. 먼저 프레젠테이션 프로그램의 출력 파일을 열고 각 평가판에 대해 밀리초 단위로 측정된 반응 시간을 얻습니다.
예를 들어 읽기를 사용하여 데이터를 R로 가져옵니다. 테이블 기능. lme4 및 lmerTest 패키지를 설치합니다.
기능 라이브러리 또는 필요한 패키지를 첨부합니다. 일반적으로 반응 시간 데이터의 분포가 매우 왜곡됨에 따라 boxcox 함수를 사용하여 변환의 필요성을 확인합니다. 이러한 변환은 원시 반응 시간 값보다 어휘 결정 실험에서 반응 시간에 대한 정상과 같은 분포를 제공하는 경향이 있기 때문에 반전 된 변형 된 반응 시간 또는 반응 시간의 이진 logarithms를 사용하여 반응 시간 값을 변환합니다.
다음으로, 의사 단어와 필러 시험뿐만 아니라 잘못된 응답과 누락을 제외합니다. 일반적으로 참가자가 이전 자극에 너무 늦었다는 것을 나타내기 때문에 응답 시간이 300밀리초보다 빠른 시험을 제외합니다. 그런 다음 반응 시간을 결과 측정 및 주제 항목 및 평가판으로 식별하는 기본 선형 혼합 효과 모델을 임의 효과로 구축합니다.
임의 효과를 추가하여 각 무작위 효과에 대한 무작위 차단을 추정합니다. 이론적으로 동기부여가 되는 순서에 설명 변수를 추가합니다. 예를 들어 단어 기반 빈도를 고정 효과로 추가합니다.
베이스 또는 표면 주파수와 같은 변수를 모델에 삽입하여 변형을 통해 가우시안 분포 모양을 더 많이 생성합니다. 각 예측변수를 추가하면 예측 변수가 없는 모델에 비해 모델의 예측 전력이 크게 향상되었는지 아노바 함수를 확인합니다. 단순 모델보다 새 모델의 적합성에 큰 차이가 없는 경우 예측 변수가 적은 가장 간단한 모델을 선택합니다.
그런 다음 AIC 기능을 사용하여 각 모델의 아카이케 정보 기준을 확인합니다. 값이 낮을수록 데이터에 더 잘 맞습니다. 다음으로 예측변수 간의 이론적으로 동기부여가 되는 상호작용을 확인합니다.
예를 들어, 상호 작용의 기간을 추가, 연령별 기본 주파수의 로그. 그런 다음 참가자의 반응 시간이 개별 특성 또는 다른 방법으로 단어의 어휘 특성에 의해 영향을 받을 수 있으므로 변수 이름 앞에 하나 더구, 다음 제목을 포함하여 예측변수에 대한 참가자 무작위 경사를 추가합니다. 각 참가자 그룹에 대한 분석을 별도로 실행하거나 모든 데이터에 대한 분석을 고정 효과 예측변수로 실행한 다음 중요한 예측 변수에 의한 그룹의 상호 작용을 테스트합니다.
가능한 이상값의 영향을 제거하기 위해 2.5 표준 편차를 초과하는 절대 표준화된 잔류로 데이터 요소를 배제하고 모델을 새 데이터로 다시 정렬합니다. 마지막으로 탐색 데이터 기반 분석의 경우 뒤로 단계별 회귀를 사용합니다. 초기 분석에 모든 변수를 포함한 다음 모델에서 중요하지 않은 변수를 단계별로 제거합니다.
이러한 결과는 단어 인식 속도가 젊은 성인과 노인에게 어떻게 다를 수 있는지 를 나타냅니다. PC1과 PC4의 두 가지 원리 구성 요소만이 젊은 성인에게 중요했습니다. 세 가지 구성 요소는 노인 제어를 위한 모형에 있는 중요한 예측, 온화한 인지 장애를 가진 개별 및 알츠하이머 병을 가진 개별이었습니다.
이 세 번째 구성 요소인 PC2는 단어 인식 속도에 대한 단어의 형태 기반 측면의 영향을 반영하는 것으로 해석됩니다. 또한 세 노인 그룹 간의 흥미로운 차이점이 하나 나타났습니다. 교육은 노인 통제와 가벼운 인지 장애를 가진 개인에 대한 단어 인식의 속도를 크게 예측, 하지만 알츠하이머 병을 가진 개인에 대한.
이 방법론은 정신 어휘에 대한 질문의 다른 유형과 다른 인구에 적용 될 수있다, 다국어와 실어증을 가진 사람들과 같은.
