Morphosyntactic Production in Stroke-induced Agrammatic Aphasia: A Cross-linguistic Machine Learning Approach

Målet med Machine Learning Aphasia-prosjektet er å få bedre innsikt i afasi, en tilstand som er preget av språk / kommunikasjonsvansker som følge av hjerneskade. Verb-relatert morfosyntaktisk forringelse er et av hovedtrekkene til agrammatisk afasi. Selv om det har blitt gjort mange studier på morfosyntaktisk forringelse ved agrammatisk afasi, vet vi i dag lite om hvilke faktorer som styrer bevaring eller svekkelse av en gitt verb-relatert morfosyntaktisk kategori hos en person med agrammatisk afasi. Med inspirasjon i fra utvikling av metoder innen maskinlæring vil dette prosjektet ta i bruk en original og nyskapende tilnærming til dette fenomenet. Machine Learning Aphasia-prosjektet vil fokusere på afasi som følge av hjerneslag og undersøke grammatiske (morfosynaktiske) aspekter av setningsproduksjon i tilknytting verb, blant annet subjekt-verbalsammenhenger (foreksempel "Hver morgen går John til jobb"), bøyning / tid (for eksempel "i går gikk John på kino") og setnings negasjoner (for eksempel "George liker ikke sjokolade"). Mer enn 100 norsk, italiensk, gresk, engelsk og russisk-talende personer vil bli testet i dette prosjektet for å øke forståelsen om agrammatisk afasi som følge av hjerneslag. Studien vil føre frem til ny kunnskap som vil kunne brukes til behandlingsprogrammer for personer med agrammatisk afasi. Prosjektet startet ved Senter for Flerspråklighet ved Universitetet i Oslo den 1. september 2019 og vil vare i fire år. I løpet av det første året har prosjektleder Valantis Fyndanis og hans samarbeidspartnere utviklet språkeksperimenter og testbatterier for språkene som er en del av prosjektet (f.eks., norsk, gresk, russisk, italiensk og engelsk). Til tross for utfordringene med Covid-19-pandemien, gjennomførte Dr. Fyndanis og samarbeidspartnere tester mellom 2020 og 2022. De testet personer med agrammatisk afasi som snakker gresk og russisk, samt nevrologisk friske personer fra Hellas, Norge og Russland. Testing i land som USA har vært nesten umulig i denne perioden på grunn av pandemien. I løpet av det andre prosjektåret har Dr Fyndanis etablert et nytt samarbeid med Cyprus University of Technology og en gresk kypriotisk lingvist, Dr. Natalia Pavlou, som har tilpasset det eksperimentelle batteriet til kypriotisk gresk. Datainnsamlingen på Kypros startet i 2021. Ved prosjektpartneren San Camillo Hospital (Lido, Venezia, Italia) ble en pilotstudie blitt fullført, og rekruttering av deltakere samt datainnsamling startet også her. Postdoktorforsker Dr. Qingyuan Gardner ble ansatt høsten 2021, og hun vil være basert ved MultiLing, et SSF ved Universitetet i Oslo. Hun utviklet det engelske testbatteriet i 2022 og besøkte Boston University i USA på et utvekslingsopphold fra januar 2023. Sammen med Boston University har det blitt samlet inn data fra engelsktalende personer med afasi og friske kontrollpersoner. Datainnsamlingen i USA, Norge, Kypros, Hellas og Italia vil fortsette i 2023 og 2024, frem til datainnsamlingen ferdigstilt innen første halvdel av 2024. Disse dataene vil bli brukt til å besvare spørsmål relevant for prosjektet Machine Learning Aphasia, som effekten av demografiske variabler og kognitive evner på produksjon av tidshenvisning/tid og grammatisk aspekt. Machine Learning Aphasia-prosjektet er planlagt å avsluttes den 31. desember 2024 og er for tiden på riktig spor. I løpet av 2023 har det kommet blant annet blitt utarbeidet to forskningsartikler som ble sendt inn i fagfellevurderte tidsskrifter, og prosjektleder har holdt flere muntlige og plakatpresentasjoner på konferanser.

The aim of the proposed project is to improve state-of-the-art knowledge on aphasia, focusing on verb-related (morpho)syntactic production. This deficit is considered to be the hallmark of agrammatic aphasia, which usually occurs following damage to Broca’s area and neighbouring areas in the left hemisphere. Although many studies on (morpho)syntactic production in agrammatic aphasia have been conducted thus far, little is known on the factors that determine the relative preservation or impairment of a given verb-related morphosyntactic category (e.g., Tense, subject-verb Agreement, grammatical Mood) in a given person with agrammatic aphasia (PWAA) in a given language. Inspired by the developments in machine learning, the proposed project aims at filling this gap by taking an original and innovative methodological approach. Machine Learning Aphasia addresses two important, yet unanswered questions: (1) Which factors determine the performance accuracy of a given PWAA, native speaker of a given language, on verb-related morphosyntactic production? (2) What is the hierarchy of factors/predictors of successful verb-related morphosyntactic production in agrammatic aphasia? Addressing questions 1 and 2 will advance our understanding of the complexities underlying morphosyntactic production in agrammatic aphasia, which will be a significant contribution to cognitive science (in particular to psycholinguistics, neurolinguistics, theoretical linguistics, and cognitive neuropsychology). Importantly, achieving goals 1 and 2 will also have significant clinical implications, as the findings about the best predictors of morphosyntactic production in agrammatic aphasia will inform and improve treatment programmes for PWAA. For instance, if the proposed study finds that verbal working memory capacity is one of the best predictors of performance on (morpho)syntactic production, treatment programmes should also include cognitive training targeting verbal working memory.