评估失语法言语：来自知觉评分、统计指标和病灶-症状映射的见解

《Journal of Neurolinguistics》：Assessing agrammatic speech: Insights from perceptual ratings, statistical metrics, and lesion-symptom mapping

　　

•我们将感知评分与连贯言语的统计语言分析进行比较，以识别失语症个体的无语法言语。•病灶-症状映射（LSM）仅对感知评分揭示了稳健的神经相关，尤其是在左额叶。•虽然多个语言学变量在行为上区分了各组，但在基于体素的分析中，它们并未产生一致的病灶关联。•研究结果强调了表面层面语言学指标的局限性，并突出了感知评估在诊断无语法症方面的临床价值。引言由中风或神经退行性疾病导致的非流利性失语症个体的言语通常被描述为无语法性的（Leyton & Ballard, 2016），这是一种临床医生、研究人员和学生都能轻易识别的病症。早期的研究者兼临床医生，如Kussmaul（Rehnberg & Walters, 2017）、Broadbent（Broadbent, 1872）、Kleist（1914；见Papathanasiou & Coppens, 2016, p. 26）等人，通过感知方式注意到了某些患者语法缺陷的特殊性，并使用"无语法症"等术语来指代这些病症。尽管目前尚无统一的、坚实的理论来解释无语法症，但研究已提供了关于无语法言语特征的可靠概括。一个关键特征是功能性元素的损害，包括代词、介词和屈折标记方面的困难，尤其是动词屈折（Goodglass & Berko, 1960; Villiers, 1974; Zurif et al., 1972）。例如，在描述偷饼干图片（Goodglass et al., 2001）或类似诱导任务时，神经典型说话者可能会说出："那位女士正在洗碗，而那个男孩在偷饼干。"而无语法症患者可能会说出："女士……盘子……洗"或"男孩……饼干……掉"，他们保留了核心实词，却省略了助动词、时态标记、限定词和闭类形态。虽然在对抗命名任务中动词提取可能在无语法症患者中相对保留得更好（如Barbieri et al., 2024），但在句子语境中主语-动词一致性和时态标记的错误经常被观察到，因为在无语法症患者的言语中，这些元素经常缺失或被错误替换（Faroqi-Shah & Thompson, 2004; Rochon et al., 2000; Saffran et al., 1989）。无语法症患者经常产生不完整的电报式句子片段，并倾向于过度使用规范语序（Burchert et al., 2008; Harun, 2020）。此外，此类患者严重难以产生动词（Bird & Franklin, 1996; Williams & Canter, 1987; Zingeser & Berndt, 1990），并且在对齐语法角色和题元角色时遇到困难（Friederici & Gorrell, 1998）。这些特征可测量地表现为平均言语长度缩短、动词与话语比率降低、语法形态素使用减少（包括过去时、第三人称单数和进行标记），以及语法复杂度降低——这些都是本研究考察的维度。理论解释试图在形式语言学框架内刻画无语法症。Grodzinsky（1984）有影响力的句法解释提出，无语法症反映了句法表征的特异性损害，尤其是影响了移动操作。随后，其他解释提供了替代说明，包括树修剪假说，该假说提出在无语法症中较高的句法投射被选择性地不可用（Friedmann, 2006），以及基于资源的解释，该解释将无语法症症状归因于处理能力降低而非核心句法缺陷（Kolk & Heeschen, 1992）。这些框架共同表明，无语法症反映了超越功能性元素表面省略的更深层句法处理中断，强调了需要对此潜在复杂度敏感的评估方法。无语法症的研究在临床和理论上均具有重要意义。失语症患者已将完全结构化句子的连贯言语流畅性确定为康复的优先结果（USC Patient Engagement Studio, n.d.）。研究无语法症所得的洞见加深了我们对失语症中形态句法损害的理解，可能带来更有针对性、更有效的评估方法和治疗干预（Bastiaanse & Thompson, 2012）。理论上，这项研究为我们理解基本的形态句法能力提供了有价值的见解，包括使我们能够传达超越单个词义的意义的句子构建能力。通过研究既往语法系统完整的个体中语言功能的下降，研究人员可以完善正常句子产生的模型。将语言学构念与脑损伤模式相关联的相关性病灶-症状映射研究进一步增强了我们对语言系统组织的理解（Friederici, 1981; Hagoort & Indefrey, 2014; Hickok & Poeppel, 2007; Matchin & Hickok, 2020）。无语法症可通过多种方法进行评估，包括评估动词命名和不同句子结构产生的标准化测试（Bastiaanse et al., 2003; Cho-Reyes & Thompson, 2012; Weintraub et al., 2009）。另一种广泛应用的方法是语篇分析，它考察比句子更长的语言单位，这些单位传达连贯的信息，也称为连贯言语（Furlanis et al., 2018; Gordon, 2020; Grande et al., 2008; Jaecks et al., 2012; Vermeulen et al., 1989; Vigliecca, 2019）。语篇可通过多种任务诱发，包括角色扮演、图片描述、童话故事复述、对话或开放式访谈（Prins & Bastiaanse, 2004; Stark, 2019）。语篇分析通常使用感知评分或统计语言学方法进行。这两种方法在识别和理解无语法症方面的价值和洞见是本研究的主要目标。具体而言，本研究考察了统计语言学变量在识别无语法言语方面的表现（与感知评分相比），以及这些语言学测量与脑病灶数据之间的相关性。感知评分方法依赖于主观评估量表来评估关键语言特征，提供对言语模式和语法性的整体印象（Casilio et al., 2019; Goodglass, 2001; Kertesz, 2007）。在无语法症的语境中，感知评分通过识别患者言语的界定性语言特征，而非关注孤立的言语特征，来提供对患者言语的整体评估。具体而言，在语篇分析中，评分者优先关注具有语言信息量的话语，确保评估不受固定短语（如"从前"、"从此幸福快乐"）或习惯性句子开头（如"突然"）的影响。我们之前的工作（Matchin et al., 2020）成功运用感知评分将个体分类为无语法症或非无语法症。评分者基于前述无语法症的核心语言特征进行评价。感知评分的结果进一步得到病灶-症状映射（LSM）分析的支持，该分析揭示了与Broca区的显著相关性，这是传统上与无语法症相关的区域。统计语言分析提供了一种客观方法，用于评估失语症中的语法缺陷，通过量化患者言语中关键语言元素的频率和分布（Hsu & Thompson, 2018; MacWhinney et al., 2011; Rochon et al., 2000）。该方法涉及对连贯言语的详细转录和编码，随后进行句法分析，总结形态句法元素的频率（如屈折动词的比例）、复杂或语法正确的话语（如正确句子的比例）以及各类词汇类型（如闭类词的比例）（Rochon et al., 2000）。此分析可手动进行，也可通过自动化计算工具完成。自动化方法处理详细转录，并使用内置程序或可自定义的命令行选项提取形态句法和句法的统计测量值（MacWhinney et al., 2011）。病灶-症状映射（LSM）及相关方法是强大的技术，可精确定位与特定行为关键相关的脑病灶和/或退化模式（Baldo et al., 2011, 2013; Mesulam et al., 2015; Mummery et al., 2000; Rogalski et al., 2011; Sapolsky et al., 2010; Stark, 2019）。LSM方法涉及分析个体的行为得分（如命名准确率），同时划定其受影响的脑区。通过在群体层面对每个体素进行统计检验，比较该体素有损伤和无损伤个体之间的差异。所得图谱突出了对观察到的行为表现至关重要的体素，使研究人员能够推断特定脑区损伤与行为缺陷之间的关系。在无语法言语的研究中，通过LSM，左下额回（LIFG）的大病灶和/或皮质退化、周围皮质及其下方白质连接被一致地关联于无语法症（Den Ouden et al., 2019; Faroqi-Shah et al., 2014; Gleichgerrcht et al., 2021; Thompson, 2019; Wilson et al., 2010）。本研究旨在调查通常用于刻画无语法言语性质的统计语言学指标在何种程度上能够（a）可靠地区分被感知方式识别为无语法症的患者，以及（b）与始终一致识别的无语法症病灶相关（即Broca区，包括三角部和盖部）产生相关性。我们通过重新检查先前报告的数据集（Matchin et al., 2020）来实现这一目标，该数据集包括通过自发语篇样本被感知方式识别为无语法症的中风后失语症患者。我们使用CHAT编码和CLAN（MacWhinney et al., 2011）提供这些言语样本中包含的与无语法言语相关元素的统计指标，并将这些指标与感知分类和脑病灶模式相关联。我们在此旨在解决的一个关键问题是：LSM是否除行为验证方法外，还能作为评估无语法症等神经心理学状况行为指标的辅助工具。为此，重要的是要考虑支持行为的基础认知机制如何映射到神经基质上。尽管某些功能局限于特定脑区（如面孔和词汇特异性加工）（Binder et al., 2003; Cohen et al., 2000; Kanwisher et al., 1997），但其他功能依赖于具有任务依赖角色的更广泛神经网络（Duffau, 2008; Hickok & Poeppel, 2007; Menon, 2011; Teichmann et al., 2015）。尽管并非所有心理机制都严格局限于特定的皮质区域（Poeppel & Embick, 2005），神经影像和病灶研究仍能提供有意义的见解。话虽如此，虽然当行为指标与特定功能相关的病灶位点存在相关性时，LSM可以提供支持性证据，但缺乏定位并不意味着该指标无效。一个相关问题是：无语法症的产生是否局限于单一脑区——但这并非本研究意图评估的内容。我们使用LSM的依据来自基于感知评分的先前发现，这些发现识别出了与无语法症相关的连贯病灶模式（Casilio et al., 2024; Matchin et al., 2020）。因此，本研究旨在确定统计语言学指标是否与感知评分所观察到的、且在先前研究中已识别出的病灶模式相关。分段摘要参与者我们报告了与Matchin et al.（2020）中报告的同一组参与者的分析。该研究中与当前分析相关的程序在此重现。本研究共纳入100名中风后失语症患者，他们是南卡罗来纳大学和南卡罗来纳医科大学一项大型研究计划的一部分。所有参与者的招募均通过当地广告进行。无语法言语的感知评分本研究解决的第一个研究问题是感知评分作为在连贯言语中识别无语法症的方法的可靠性。如Matchin et al.（2020）所描述的，专家评分者成功分类了100名参与者中的53名。其中，11名被分类为无语法症，4名同时被分类为无语法症和副语法症，25名为副语法症，17名为无语法缺陷（NGD）。与2.3节中概述的分组理由一致。讨论本研究考察了语篇感知评分和统计语言分析在识别和理解无语法症方面的效用。此外，病灶-症状映射（LSM）被用作辅助工具来评估这些指标在检测无语法症方面的有效性。我们的发现表明，感知评分提供了识别无语法症病灶相关的强大且可靠的测量。虽然多个统计指标显著地区分了各组。结论无语法症是一种复杂且异质性的病症，以各种语言缺陷为特征。识别无语法症的一种方法是通过分析失语症个体的语篇。本研究旨在通过将这些指标相互关联并使用病灶分析作为辅助工具，来评估两种语篇分析方法——感知评分和统计语言学指标。结果表明，感知评分产生了强烈且具有可解释性的病灶。作者贡献声明Zeinab Khoshhal Mollasaraei：写作——审阅与编辑，写作——原稿，可视化，方法论，形式分析，数据整理，概念化。Dirk den Ouden：写作——审阅与编辑。Brielle Caserta Stark：方法论。Gregory Hickok：写作——审阅与编辑。Julius Fridriksson：写作——审阅与编辑，项目管理，资金获取。William Matchin：写作——审阅与编辑，写作——原稿，监督，概念化。资金来源本研究由授予Julius Fridriksson的NIDCD资助项目DC014664资助。利益冲突声明作者声明不存在利益冲突。致谢我们感谢Dr.

感谢 USC 的 Roger Newman-Norlund 和 USC 的 Leo Bonilha 博士对病灶勾画工作所做的贡献，同时感谢脑与心智研究所研讨系列讲座的听众对本研究的反馈。我们还要感谢 Laura Giglio 博士和 Sigfus Kristinsson 博士提出的富有洞察力的意见与建议。最后，感谢匿名审稿人提供的建设性反馈，使本论文更加完善。

作者名单：Zeinab Khoshhal Mollasaraei | Dirk den Ouden | Brielle Caserta Stark | Gregory Hickok | Julius Fridriksson | William Matchin