Linguistic markers of story recall can help differentiate mild cognitive impairment from normal aging
Notice bibliographique
Résumé
Mild cognitive impairment (MCI) involves a decline in episodic memory and, in many cases, language. Taler et al. (2021) developed a set of story recall materials that we expected to be sensitive to changes in language in normal aging and MCI. Here, we examined the lexical (word-level) contents of participants’ story recall responses from Taler et al. (2021). First, we compared the lexical features of story recall responses between young adults (YA; n = 22), healthy older adults (OA; n = 38), and people with MCI ( n = 17) using the Linguistic Inquiry and Word Count (LIWC) program. Second, we explored the associations between these linguistic variables and story recall in each group. People with MCI produced fewer words overall, as well as higher proportions of verbs and pronouns on immediate recall compared to both YAs and OAs. OAs also produced higher proportions of auxiliary verbs than YAs. Story recall scores were positively correlated with total word count in YA and MCI groups. In YAs only, adjectives were positively correlated with recall. In OAs, recall scores were negatively correlated with proportion of verbs. Our results suggest that the LIWC program paired with our novel story recall task may help identify linguistic markers of normal aging and MCI. Some aspects of language use during story recall may also be related to episodic memory in cognitively healthy individuals and people with MCI. Our findings may have implications for the optimization of MCI screening tools to detect changes in language.
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».