语义流性表现的新计算测量与精神病的第一个情节相关的语义流性表现

科学领域:

• 神经科学是一个神经科学.
• 计算心理学 计算心理学
• 网络科学 网络科学

背景情况:

• 语义流利任务对于评估认知功能和预测各种病理非常有价值.
• 现有的语义流输出分析方法存在局限性,包括与列表长度的高相关性,数据排除需求以及无法执行参与者级别分析.

研究的目的:

• 用网络科学方法开发一种用于语义流性分析的新型计算措施.
• 克服现有分析变量的局限性,通过创建一个与列表长度,数据排除和参与者级别分析约束的高相关性无关的测量.

主要方法:

• 从314名健康参与者的口头流利清单中建立了一个基于单词互相似性的语义网络.
• 衍生"跳跃概率",这是一个随机语义网络跳跃在参与者的流性列表中的测量.
• 利用相关性和线性回归分析来评估与列表长度和诊断组的跳跃概率.

主要成果:

• 跳转概率与列表长度没有显著的相关性,与集群和切换措施不同.
• 跳跃概率成功预测了流性列表是否来自健康对照组 (N=154) 或患有第一发精神病的患者 (N=144).
• 患者层面的分析显示,积极症状和诊断之间存在显著的相互作用,在非情感性精神分裂症中,与积极症状相关的跳跃概率更高.

结论:

• 跳跃概率是一种用于语义流性分析的新且有效的计算措施.
• 这种方法避免了传统语义流性分析变量的常见缺点.
• 跳跃概率在精神分裂症谱系障碍患者中评估语义处理方面表现有前途.