Linear Mixed-Model Analysis Better Captures Subcomponents of Attention in a Small Sample Size of Persons With Aphasia
Notice bibliographique
Résumé
PURPOSE: Although there are several reports of attention deficits in aphasia, studies are typically limited to a single component within this complex domain. Furthermore, interpretation of results is affected by small sample size, intraindividual variability, task complexity, or nonparametric statistical models of performance comparison. The purpose of this study is to explore multiple subcomponents of attention in persons with aphasia (PWA) and compare findings and implications from various statistical methods-nonparametric, mixed analysis of variance (ANOVA), and linear mixed-effects model (LMEM)-when applied to a small sample size. METHOD: Eleven PWA and nine age- and education-matched healthy controls (HCs) completed the computer-based Attention Network Test (ANT). ANT examines the effects of four types of warning cues (no, double, central, spatial) and two flanker conditions (congruent, incongruent) to provide an efficient way to assess the three subcomponents of attention (alerting, orienting, and executive control). Individual response time and accuracy data from each participant are considered for data analysis. RESULTS: Nonparametric analyses showed no significant differences between the groups on the three subcomponents of attention. Both mixed ANOVA and LMEM showed statistical significance on alerting effect in HCs, orienting effect in PWA, and executive control effect in both PWA and HCs. However, LMEM analyses additionally highlighted significant differences between the groups (PWA vs. HCs) for executive control effect, which were not evident on either ANOVA or nonparametric tests. CONCLUSIONS: By considering the random effect of participant ID, LMEM was able to show deficits in alerting and executive control ability in PWA when compared to HCs. LMEM accounts for the intraindividual variability based on individual response time performances instead of relying on measures of central tendencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».