Discussion on the relationship between elders’ daily conversations and cognitive executive function: using word vectors and regression models

摘要 隨著國人平均壽命攀升，老年人口的 健康照護問題也更加多元，而且長期 照護的需求也日漸增加，因此如何幫 助高齡長者 擁有良好生活品質與尊嚴 之維持，是我們需要思考的。本研究 欲藉由深度模型進一步探討正常老化 者自然語言的特性。首先以焦點團體 的方式收集資料，使長者在過程中自 然地與其他參與者互動。接著透過詞 向量模型與迴歸模型建立基於對話資 料的 EF預測模型，幫助了解 EF的退化 軌跡與建立預警。 Abstract As the average life expectancy of Chinese people rises, the health care problems of the elderly are becoming more diverse, and the demand for long-term care is also increasing. Therefore, how to help the elderly have a good quality of life and maintain their dignity is what we need to think about. This research intends to explore the characteristics of natural language of normal aging people through a deep model. First, we collect information through focus groups so that the elders can naturally interact with other participants in the process. Then, through the word vector model and regression model, an executive function prediction model based on dialogue data is established to help understand the degradation trajectory of executive function and establish an early warning. 關鍵字：詞向量、迴歸模型、認知執行功能 Keywords: word vector, regression model, cognitive executive function 1 Introduction 國家發展委員會指出台灣在 2018 年邁入高齡 的社會，而在 2020 年時，超高齡人口已經占 10.3%，進而推估在 2025 年台灣將邁入超高齡 社會 (國家發展委員會, 2020)。隨著台灣人民 的壽命延長， 對於銀髮族的健康照護問題也 逐漸受到重視，對於銀髮族長期居家照護的 需求也日漸增加。如何幫助銀髮族不僅在醫 療層面受到照護，也能擁有優質生活品質與 生命尊嚴，是一重要課題。 學者們的研究指出阿茲海默症 (Alzheimer’s Disease, AD) 和輕度認知障礙 (Mild Cognitive Impairment, MCI) 患者在在疾病前驅期，它們 的語言處理過程便出現缺陷 (Taler & Phillips, 2008)。如何識別早期跡象和症狀的能力對於 干預措施的發展相當重要。藉由認知和思維 障礙在說話方式和說話內容中的表現，我們 可以藉由語言分析去洞悉神經功能，進而使 用自動化或半自動化的語音和語言分析方法 進行更深入的研究，以找出患者的語言與聲 音特徵。 Calzà等人 (Calzà et al., 2021) 建立一個用於 早期診斷和篩查的自動系統，旨在量化和描 述由於認知能力下降導致的語言特徵變化。 他們招募 48 名健康對照者和 48 名受損受試者。 每個受試者接受了簡短的神經心理學篩查， 並通過三個啟發任務收集了半自發語音產生 的樣本。他們利用支持向量 (SVC) 和隨機森 林分類器 (RFC) 來區分健康對照和 MCI 受試 者。他們的實驗結果顯示他們所提出的方法 是識別癡呆臨床前階段的一種很有前途的方 法。Fraser 等人 (Fraser et al., 2019)考慮一種級 聯方法來組合來自多種語言任務的數據。26 名 MCI 參與者和 29 名健康對照組完成圖片描 述、默讀和大聲朗讀三種語言任務。研究成 長者日常對話與認知執行功能關係探討：使用詞向量與迴歸模型 Discussion on the relationship between elders’ daily conversations and cognitive executive function: using word vectors and regression models Ming-Hsiang Su, Yu-An Ko and Man-Ying Wang Soochow University, Taiwan huntfox.su,kelen850408, mywang.scu@gmail.com The 33rd Conference on Computational Linguistics and Speech Processing (ROCLING 2021) Taoyuan, Taiwan, October 15-16, 2021. The Association for Computational Linguistics and Chinese Language Processing 58 果指出最好的分類結果是通過組合任務級別 的數據來實現的（AUC = 0.88，準確度 = 0.83）。 這優於基於神經心理學測試分數（AUC = 0.75， 準確度 = 0.65）以及多模態分類的“早期融合＂ 方法（AUC = 0.79，準確度 = 0.70）訓練的分 類器。Wang 等人 (Wang et al., 2019)的研究旨 在檢驗情景圖片描述和自發自我介紹任務中 的相關語音生成是否可用於區分具有 MCI 心 理測量證據的個體和認知完整的個體。他們 的研究揭示 MCI 參與者語義內容和句法複雜 性的線性下降趨勢，以及明顯更大的不流暢 跡象和語音生成減少。這些發現擴展了文獻 中的報導，並對疑似 MCI 的篩查和診斷具有 重要意義。 Fraser 等人 (Fraser et al., 2016) 展示從圖片描 述任務引發的簡短敘述樣本中自動識別阿爾 茨海默病的最先進的準確性，並通過統計因 素 分 析 揭 示 突 出 的 語 言 因 素 。 藉 由 DementiaBank 語料庫訓練分類器，用以區分 患有 AD 的參與者和健康對照組。為了檢查 AD 中語言障礙的異質性程度，他們對這些言 語和語言的測量進行了探索性因素分析，並 提供了對結果因素的解釋。在圖片描述任務 中根據他們語言的短樣本，區分患有 AD 的個 體和沒有AD 的個體，獲得了超過 81% 的最先 進的分類準確率。他們認為機器學習和語言 分析在疑似 AD 的評估和聚類中非常有用。 Asgari 等人 (Asgari et al., 2017) 認為輕度認知障 礙 (MCI) 的指標可能存在於老年人口語內容中， 並且有助於區分 MCI 患者和認知完好的患者。 他們對參與臨床試驗的 MCI 參與者和具有完 整認知的參與者的口語進行了語言分析，分 類 準 確 率 為 84%， 遠 高 於 60% 的 機 會 。 Polsinelli 等人(Polsinelli et al., 2020)調查了執行 功能 (EF) 的可變性如何體現在日常用詞模式 中。他們使用語言查詢和字數統計對捕獲的 話語的逐字記錄進行了文本分析。 EF 使用經 過驗證的測試電池組進行評估，測量 WM、 移位和抑制控制。他們發現較高的整體 EF， 尤其是工作記憶，與更多的冠詞和介詞、更 長的單詞和更多的數字語言相關。 本研究期望探討台灣正常銀髮族的語言與 認知執行功能之間的關係，藉由詞向量與迴 歸模型建置，搭配彩色路徑描繪測驗 (CTT) 檢 測銀髮族的執行功能，並且建立預測模型。 2 Dataset 本研究使用團體聊天方式來引導銀髮族語言 使用的自然狀態。參與者為 53-74 歲的退休銀 髮族 (36 位女性與 15 位男性)，參與者平均教 育年數為 12.5 年。每場團體聊天人數為 2-5 人， 他們會討論日常生活經常從事的活動，並且 會針對有高共通性的議題進行深入討論，藉 以了解其執行步驟、並接受彩色路徑描繪測 驗，以測量執行功能與日常生活活動調查。 3 Word Embedding 本研究將參與者的語音資料轉成文字檔， 並使用 CKIP API 進行斷詞處理， CKIP 為中研 院中文語言小組開發，為中文自然語言處理 提供相關的研究資料，包括中文詞知識庫、 語料等。接著本研究使用 Word2vec 進行詞向 量特徵抽取。Word2vec 是 Google 所提供的一 個用來產生詞向量的模型，透過訓練可以將 文本中的內容簡化成 n 維向量空間中的向量運 算，此向量空間上的相似度可以用來表示文 本語意上的相似度。訓練 Word2vec 方式可分 為兩種：連續詞袋模型（continuous bag-of- words, CBOW）及 Skip-Gram 模型。在 CBOW 的方法裡，訓練目標是用一個詞的鄰近詞去 預測該詞的機率；而 Skip-Gram 則是跟 CBOW 相反，訓練目標是用一個詞去預測該詞鄰近 詞的機率。另外為了比較不同的詞向量對於 系統效能的差異，本研究另外也使用 Doc2Vec 模型和 FASTText 模型進行詞向量模型訓練。 4 Regression Model 數據收集技術的進步大大增加了在科學與商 業領域中預測變數的數量，此時就需要模型 選擇的方法來找出重要的預測變數，傳統的 模 型 選 擇 方 法 …

Content truncated to 500 words