Capítulo 123: 995-1002 Escala normatizada de atributos de conceptos Elisa Pazgón, Victoria Favarotto, Martín Calcopietro, Pilar Lahitte, Luciana Roldán, Guillermina Vitale, Matías Yerro, Martín Azzolini y Jorge Vivas En Víctor M. Castel y Liliana Cubo de Severino, Editores (2010) La renovación de la palabra en el bicentenario de la Argentina. Los colores de la mirada lingüística. Mendoza: Editorial FFyL, UNCuyo. ISBN 978-950-774-193-7
La renovación de la palabra / 996 Escala normatizada de atributos de conceptos Elisa Pazgón, 1 Victoria Favarotto, 2 Martín Calcopietro, 2 Pilar Lahitte, 2 Luciana Roldán, 2 Guillermina Vitale, 2 Matías Yerro, 3 Martín Azzolini 2 y Jorge Vivas 4 CONICET / CIMEPB / UNMDP Mar del Plata, Argentina epazgon@mdp.edu.ar Resumen Se realizó la validación de una escala de atributos sobre 300 conceptos pertenecientes a las categorías Animales, Alimentos, Herramientas, Muebles, Utensilios, Electrodomésticos, Vestimentas, Transportes, Instrumentos Musicales, Juguetes, Armas y Partes del Cuerpo, balanceadas según su frecuencia de uso y familiaridad (Manoiloff y col., 2008), con el objetivo de normatizar un set de palabras a fin de utilizarlas tanto en el ámbito clínico como de investigación. Participaron 75 sujetos de la ciudad de Mar del Plata y Buenos Aires de un rango de edad entre 20 y 40 años (promedio 26,73 años) y similar escolarización. Se construyeron 20 planillas en las que se presentaron 15 palabras en cada una, donde los participantes debían proponer cinco atributos o características que mejor describieran cada concepto, de mayor a menor grado de importancia. Obtenidos los datos, éstos fueron informatizados con el método Distsem (Vivas, 2004, 2007) y su rutina informatizada Definition Finder (Vivas y col, 2008), que calcula el grado de comunalidad de las definidoras de un concepto para un colectivo social. Se obtuvo un listado de atributos para cada una de las 300 palabras, con su correspondiente índice de distancia semántica en relación con el concepto central disparador. Los resultados obtenidos conforman una escala que además aporta un mejor entendimiento sobre la organización de la memoria semántica, ya que describe para cada concepto atributos del tipo correlacionados y distintivos, los cuales son discutidos en el marco de los modelos conexionistas distribuidos (Gonnerman, Andersen, Devlin, Kempler y Seidenberg, 1997; Tyler y Moss, 2001). Introducción Probablemente debido a su omnipresencia en la vida cotidiana y su disponibilidad directa para uso experimental, las palabras pertenecen a los estímulos más ampliamente utilizados en la psicología cognitiva, neuropsicología, neurociencia cognitiva, psicolinguística y disciplinas vecinas. Este tipo de estímulos tiene una muy fuerte impronta cultural y, por lo tanto, posee una serie de características psicolingüísticas que varían enormemente de acuerdo al entorno sociocultural. Como consecuencia, en el pasado se han realizado numerosos trabajos para proporcionar bases de palabras con conjuntos predefinidos de características psicolingüísticas con el fin de poder manipular y controlar experimentalmente estas características en el estudio de la capacidad de los sujetos para percibir, procesar, conservar y evocar esas palabras. En este sentido, en los últimos años se han comenzado a desarrollar normas que establecen medidas como imaginabilidad, frecuencia, familiaridad y edad de adquisición para distintas poblaciones, abarcando diferentes idiomas. Estas normas se confeccionaron para palabras aisladas, pero también hay normas que buscan establecer una serie de regularidades referidas a las relaciones entre palabras. De este modo, se han generado normas que atañen a las palabras en relación, tales como las normas de palabras asociadas, de sinónimos o de generación de atributos de un concepto. En particular, estas últimas arrojan información sobre el tipo de atributos que definen un concepto para un conjunto determinado de personas. Establecer las normas de producción de atributos para un concepto permite obtener cuantiosa información acerca de las características y relaciones de los conceptos y sus atributos para una población particular (véase Descripción de las variables en Metodología, más abajo). Dada la importancia de los atributos semánticos para las teorías sobre memoria semántica, los investigadores han reconocido el valor de colectar normas de producción de atributos para construir modelos, testear hipótesis, disponer de estímulos experimentales y generar tareas de evaluación en el ámbito clínico. En lo que respecta al aporte de las normas de generación de atributos a los modelos de memoria semántica, cabe destacar su particular relevancia para las teorías de rasgos semánticos. Estas asumen que la información de atributos semánticos son piezas primordiales de la representación semántica (Murphy, 2002; Martin & Chao, 2001; Norman & Rumelhart, 1975; Smith, Shoben & Rips, 1974; Taylor, Moss & Tyler, 2007). Estos modelos se han focalizado en el estudio de variables como: la relevancia semántica (Sartori et al., 2005), la distintividad (Garrard, Lambon Ralph, Hodges & Patterson, 2001), la dominancia (Ashcarft, 1978), la distancia semántica (Zannino, Perri, Pasqualetti, Caltagirone & Carlesimo, 2006) la correlación de atributos (Tyler, Moss, Durrant-Peatield & Levy, 2000). Estas variables se han estudiado tanto en sujetos sanos como en población con patología neurológica (Gonnerman et al., 1997; Peraita, Díaz & Anlló-Vento, 2008; Peraita & Moreno, 2006). Castel y Cubo, Editores (2010)
997 / Escala normatizada de atributos de conceptos Un ejemplo de este tipo de estudios es el realizado por Gonnerman et al. (1997), quienes aplicaron este modelo al deterioro semántico de pacientes con enfermedad de Alzheimer de diferentes grados de evolución y observaron que se daba un patrón específico. Al principio de la enfermedad, se producía un déficit leve para artefactos o cosas no-vivientes, mientras que se conservaban los conceptos de seres vivientes. A medida que avanzaba la enfermedad y el deterioro neuronal se diseminaba, el déficit más pronunciado se observó para seres vivientes. La explicación dada es que frente a una mayor predominancia de atributos compartidos entre conceptos de seres vivientes y mayor grado de atributos distintivos para artefactos, al comienzo de la enfermedad se observa poco efecto de deterioro en las funciones de lenguaje para seres vivientes y una mayor pérdida de acceso a cosas no-vivientes, pero conforme avanza la enfermedad se produce mayor daño conectivo de los atributos compartidos y hay una caída brusca en el desempeño del sujeto en lo concerniente a seres vivientes, y hasta puede producirse la pérdida completa de una categoría que se sostenga en dichas características. Inicialmente, la redundancia de conexiones entre atributos compartidos protege a los objetos de una clase de su pérdida, pero cuando el daño se va incrementando, el acceso a una categoría se va perdiendo. En cambio, para artefactos, el deterioro se da en forma lineal y, a diferencia de seres vivientes, no se produce una pérdida completa de categoría. Un ejemplo de estudios que parten de los modelos de rasgos es un trabajo realizado por Peraita & Moreno (2006) en pacientes con Alzheimer. Ellos utilizaron una tarea de definición de categorías. Las respuestas fueron clasificadas de acuerdo con 11 tipos de propiedades semánticas: taxonómicas, funcionales, parte/todo, evaluativas, procedimentales, hábitat, actividad conductual, tipos, ciclo vital, genera/produce y otros. Luego, realizaron un análisis de escalamiento multidimensional y obtuvieron configuraciones en función de los perfiles de producción de rasgos de los sujetos. Los resultados indicaron que los pacientes con enfermedad de Alzheimer grave tendían a agruparse en una zona del espacio, lo cual indica que sus patrones de producción de atributos de categorías semánticas eran semejantes entre sí. Los pacientes en un estado leve de la enfermedad se mezclaban, algunos con los pacientes graves y otros con los sanos. Por su parte, los sujetos sanos no conformaban un agrupamiento homogéneo sino que conformaban al menos dos grupos. Otro trabajo realizado por este mismo grupo de investigación (Peraita, Díaz & Anlló-Vento, 2008) estudió el desempeño de pacientes con Alzheimer y sujetos ancianos sin demencia en tareas que requerían la utilización de distintas relaciones semánticas, con el objetivo de indagar si la alteración en el procesamiento semántico de estos pacientes dependía del tipo de relaciones semánticas que definen varias categorías semánticas de seres vivos y no vivos. Para ello, desarrollaron dos tipos de tareas: una de verificación de oraciones y una de analogías semánticas. En la primera se presentaban oraciones verdaderas y falsas en las cuales el sujeto y el predicado podían estar vinculados mediante cuatro tipos de relaciones: parte/todo, perceptual, funcional y taxonómica. En el marco de estos modelos, las normas de generación de atributos permiten arrojar un mayor entendimiento sobre la organización de la información semántica, las características y relaciones entre atributos y su vinculación con las categorías semánticas. Como se mencionó anteriormente, otro aspecto importante en el que tiene suma relevancia contar con normas locales es en la elaboración de instrumentos de evaluación utilizados para la práctica clínica. Hay numerosas pruebas neuropsicológicas para la evaluación del lenguaje y la memoria semántica que requieren de esa información, como por ejemplo: pruebas de definición conceptual de categorías, analogías semánticas, reconocimiento de atributos, verificación de enunciados lingüísticos, estimación de distancias semánticas. Al ser los estímulos lingüísticos tan sensibles a la cultura y la educación, es de suma importancia contar con normas locales a la hora de seleccionar los estímulos apropiados para estas pruebas. Hasta aquí queda explicitada la importancia de contar con normas locales de generación de atributos con tres fines: para contrastar hipótesis que surgen de los modelos teóricos sobre memoria semántica, para construir estímulos experimentales fiables y para elaborar instrumentos de evaluación en el ámbito clínico. Existen varios trabajos sobre bases de datos normatizadas para la generación de atributos (Garrard, Lambon Rafael, Hodges & Patterson, 2001; McRae, Cree, Seidenberg & McNorgan, 2005; Vinson & Vigliocco, 2008), todos ellos en idioma inglés. En muchos casos se han colectado y usado bases con distintos propósitos, sin embargo, las normas en sí mismas no han sido publicadas. Por ejemplo, Rosch y Mervis (1975) recogieron las normas para 20 conceptos de nivel-básico de cada una de seis categorías superordinadas y las utilizaron para explorar gradientes de tipicidad. Ashcraft (1978) colectó normas para 140 objetos vivos y no vivos usadas para construir experimentos de verificación de rasgos. Hampton (1997) recogió los rasgos de 8 categorías superordinadas y las utilizó para probar el modelo de Smith, Shoben & Rips (1974) de verificación de categoría. Wu y Barsalou (2009) utilizaron normas de rasgos para comparar las predicciones derivadas de las teorías basadas en sistemas perceptivos de símbolos contra la semántica amodal. Devlin, Gonnerman, Andersen & Seidenberg (1998; 60 cosas vivas y no vivas) y Moss, Tyler & Devlin (2002; 93 cosas vivas y no vivas), como Garrard y otros (2001), utilizaron sus normas para investigar déficits semánticos específicos de categoría. Vinson & Vigliocco (2008) recogieron las normas para 230 sustantivos y 216 verbos de acción y los utilizaron para comparar los Elisa Pazgón y otros
La renovación de la palabra / 998 cálculos subyacentes a la producción de sustantivos contra verbos en un número de paradigmas experimentales. No hay ningún trabajo publicado a la fecha que reporte bases de atributos de conceptos normatizados para población argentina, ni aún en idioma español. Consecuentemente, y debido a la importancia de los atributos en la configuración de la estructura de la memoria semántica, surge la imperiosa necesidad de conformar el material para futuras investigaciones y aplicaciones en test de estudios del lenguaje. Materiales y métodos La validación de conceptos se realizó por medio de la confección de una escala de atributos sobre 300 palabras pertenecientes a las categorías Animales, Alimentos, Herramientas, Muebles, Utensilios, Electrodomésticos, Vestimentas, Transportes, Instrumentos Musicales, Juguetes, Armas y Partes del Cuerpo, balanceadas según su frecuencia de uso y familiaridad (Manoiloff y col., 2008). El set inicial seleccionado fue conformado por los conceptos propuestos por Cycowicz y cols. (1997). Cada uno de los 300 conceptos normados corresponde a un solo sustantivo en castellano rioplatense. Los conceptos fueron elegidos para poder ser utilizados en los experimentos más frecuentes sobre memoria semántica en investigaciones con adultos normales y en pacientes neuropsicológicos. De este modo, las palabras seleccionadas intentan cubrir una amplia gama de objetos vivos y no vivos usados en estudios anteriores. También se consideró para la elección que los conceptos cubriesen una amplia gama de familiaridad aunque, naturalmente, todos los nombres y conceptos deberán ser lo suficientemente familiares para que todos los participantes puedan evocar información útil frente a ellos. Se trabajó con una población de 75 participantes de la ciudad de Mar del Plata y Buenos Aires de un rango de edad entre 20 y 40 años (promedio 26,73 años) y similar escolarización. Se construyeron 20 planillas en las que se presentaron 15 palabras en cada una (randomizadas por categorías), para las cuales los participantes debían proponer cinco atributos o características que mejor describieran cada concepto, de mayor a menor grado de importancia. Los sujetos debían responder, para cada una de las quince palabras, a la siguiente consigna: Por favor, escriba 5 características o atributos que, a su entender, mejor definen estos conceptos. Por ejemplo para el concepto `Perro` se pueden usar conceptos como `Cuadrúpedo`, `Cola`, `Ladra`, etc. Usted debe describir cada atributo a través de una sola palabra. No puede utilizar frases, por lo tanto no es válido usar artículos (el, las, los), preposiciones, (por, para, etc.), ni conjunciones (y, o). Escribir con letra clara y en imprenta. Luego de escribirlas, clasifique cada característica enumerándolas del 1 al 5, de mayor a menor importancia; cual es la que mejor describe al concepto (1) hasta la que menos lo describe (5). Una vez administradas las planillas, se procedió a la carga de los resultados en planillas de Excel, con el fin de cuantificar los datos demográficos de la muestra (género, edad, escolaridad, ocupación) y de organizar para cada concepto el listado de atributos según el orden de importancia dado por los participantes. Luego se procedió a la carga de los datos en el programa Definition Finder (Vivas et al., 2008). Este programa contiene un algoritmo recursivo que permite asignar un peso relativo a cada atributo con respecto a un concepto en función de la frecuencia de aparición en los diferentes participantes y de acuerdo al orden relativo en que haya sido enunciado. Sólo considera que un atributo pertenece a ese concepto en un colectivo social determinado si cumple con una exigencia asignable por el experimentador al comenzar la corrida. Por ejemplo se considerará un atributo válido sólo en caso que al menos dos personas lo hayan mencionado (en cualquier orden) para un concepto. Devuelve un valor que fluctúa entre 0 y 1. Por ejemplo en la Figura 1, el atributo verdura carga con una valoración de 0.96. Otorga un valor numérico a los atributos según la estimación que realizaron los sujetos. El programa arroja una ponderación de cada definidora en la población total, lo cual nos permite visualizar la generalidad de la valoración de los atributos e identificar los predominantes. Se obtuvieron así los atributos para cada una de las 300 palabras, con su correspondiente valor de distancia semántica en relación con el concepto central disparador. Castel y Cubo, Editores (2010)
999 / Escala normatizada de atributos de conceptos Figura 1: A) Definition Finder. Ejemplo de salida del rango de atributos (definidoras) y su valoración de distancia semántica tomando el concepto tomate. B) Ejemplo de output de dicho programa. Se discriminan aquellas definidoras que hayan sido mencionadas sólo una vez; y no se computan en tanto particularidades. También hemos incluido un índice del comportamiento dinámico de los pesos relativos de los atributos respecto a un concepto al que hemos denominado Valor Total de la Valorización (VTV de Vivas y Azzolini; en Vivas, 2009). Este índice resulta de dos pasos sucesivos: 1) Ajustar el modelo exponencial a la curva que describe el comportamiento de las valorizaciones de los atributos, y 2) Integrar la función anterior en el intervalo comprendido entre el primero y el último atributo producido por el colectivo social bajo estudio. (Figura 2) El área así establecida resume la valorización total que dicho colectivo otorga al concepto estudiado y puede ser definida como el campo semántico de dicho concepto para tal colectivo. El número de atributos distintivos por concepto fue calculado como el número de atributos de un concepto que ocurren en solamente uno o dos conceptos en las normas. Figura 2: Tabla de resultados de VTV según el modelo de ajuste utilizado. Considerando las propuestas teóricas y evidencias neuropsicológicas de la importancia de la propiedad de Relevancia de los atributos, propuesta por Sartori & Lombardi (2004) y los desarrollos propios en productos de tecnología para la captura de atributos valuados asociados a conceptos para un colectivo social (Vivas, 2008; Vivas, Huapaya, Lizarralde, Comesaña, Vivas y García Coni, 2009; Huapaya, Lizarralde y Arona, 2009), se construye una matriz de relevancia. Consta de 300 filas, donde en la primera columna aparece el concepto en cuestión y en las n columnas siguientes aparecen los atributos propuestos por los participantes, valuados según criterios de frecuencia y orden relativo. La cantidad de atributos para cada concepto es variable y depende en su orden y en el punto de corte de la relevancia y distintividad (McRae et al. 2005) de los atributos evocados por los participantes. Distintividad (también conocida como informatividad) es una medida relacionada que refleja una Elisa Pazgón y otros
La renovación de la palabra / 1000 continuidad desde lo altamente distintivo a lo muy compartido. (Devlin y otros, 1998; Garrard y otros, 2001). Fue calculado para cada atributo como la inversa del número de conceptos en los cuales el atributo aparece en las normas y luego la distintividad media de cada atributo de concepto fue calculada y presentada. En acuerdo con Devlin y otros, pero en contraste con Garrard y otros, calculamos la distintividad a través de todos los conceptos en las normas, más que sólo a través de los conceptos en una categoría La razón principal de esta decisión es que numerosos conceptos están en múltiples categorías, mientras que algunos conceptos de nivel-básico- no parecen pertenecer a ninguna categoría superordinada psicológicamente verdadera. La medida final de informatividad es la validez de la clave (Rosch y Mervis, 1975). La validez de la clave es la probabilidad condicional de un concepto. Dado un atributo P (Cj Fi), el cual es medido por la probabilidad que un atributo pueda aparecer en un concepto P (Fi Cj), dividido por la probabilidad que ese atributo aparezca el todos los conceptos relevantes, como en la Ecuación 1: P (Cj Fi) = P (Fi Cj) / P (Fi Ck) Donde, Fi = atributo i, Cj = concepto j y Ck = kth conceptos en el set. Así, la validez de la clave fue calculada como la frecuencia de producción de un atributo para un concepto particular dividido por la sumatoria de la frecuencia de producción de ese atributo para todos los conceptos en los cuales él ocurre en las normas. En un caso extremo, si un atributo es verdaderamente distintivo, como mugir es para vaca, este debería poseer una máxima puntuación para distintividad y validez de clave, el cual es 1.0. En cambio, si un atributo es compartido por muchos conceptos, su distintividad y validez de la clave son extremadamente bajas (e.g., comer para cualquier concepto en el cual ocurra). El archivo de conceptos contiene la clave de validez para cada atributo de concepto. Finalmente, se incluye un comparador de distancias entre vectores multidimensionales. Será una matriz cuadrada del tipo de correlaciones donde se mostrará el nivel de similitud entre los 300 conceptos. La matriz calculará la similitud entre conceptos usando un algoritmo de comparación de distancias entre vectores nominales ordenados, desarrollado por nosotros y que responde genéricamente a la siguiente expresión: Σ Ι i - j Ι / ((i + 1) / 2 + (j + 1) / 2) (Figura 3) Figura 3: Ejemplo del calculo de similitud/disimilitud entre dos conceptos de una misma categoría. El formato de presentación de la escala de atributos de conceptos es el siguiente: 1- Hoja índice de las 300 palabras, con sus correspondientes características. 2- Hoja por concepto, junto a su listado de n atributos. 3- Matriz de factor de similitud/disimilitud entre conceptos. 4- Hoja por atributo: conteniendo fundamentalmente su grado de distintividad y las palabras que define. Castel y Cubo, Editores (2010)
1001 / Escala normatizada de atributos de conceptos Conclusiones Los estudios normativos tienen como objetivo agilizar el proceso de selección de estímulos de una investigación proporcionando diferentes índices objetivos y subjetivos de un corpus de estímulos determinado. La información suministrada por estos estudios es claramente dependiente de la cultura y la lengua de la muestra empleada. Naturalmente, las normas obtenidas de un estudio en un idioma no pueden ser extrapoladas directamente a otra distinta. Dentro de una misma lengua, inclusive, los atributos característicos de un mismo estímulo pueden variar de una cultura a otra, por ejemplo en su familiaridad (Manzano, Piñeiro & Reigosa, 1997; Sanfeliú & Fernández, 1996). Es necesario, por lo tanto, y como concluyen diversos autores (por ej., Manoiloff et al., 2010; Manzano et al., 1997; Sanfeliú & Fernández, 1996; Snodgrass & Vanderwart, 1980), realizar estudios normativos para lenguas y culturas específicas para mantener la fiabilidad de los resultados obtenidos. Se han realizado distintos estudios de normatización, con el objetivo de poder contar con un material estandarizado, pero como se mencionó anteriormente, la existencia de normas que estandaricen un grupo de atributos semánticos en castellano es muy escasa y en castellano rioplatense es inexistente. En este punto se fundamenta nuestro interés y de ahí parte el objetivo general del presente trabajo: proporcionar un sistema de normas de atributos sobre 300 conceptos de nivel-base, tanto referidos a objetos vivos y como a objetos no vivos. Esta escala arroja información sobre qué clase de atributo está siendo usado para: 1-Definir un concepto. 2-Indicar cuál es el nivel de distintividad y correlación en relación con el concepto disparador (Gonnerman, Andersen, Devlin, Kempler y Seidenberg, 1997; Tyler y Moss, 2001). 3-Determinar cuál es el grado de similitud y/o disimilitud entre conceptos de la misma categoría. Se propone en el futuro realizar una matriz de similitud/disimilitud de conceptos entre diferentes regiones del país. Notas 1 Becario Postdoctoral CONICET y adscripto CIMEPB, Centro de Procesos Básicos, Metodología y Educación, Facultad de Psicología, Universidad Nacional de Mar del Plata. 2 Adscripto CIMEPB. 3 Becario EA CIMEPB / Secyt / UNMDP. 4 Director CIMEPB. Referencias Ashcraft, M. H. (1978). Feature dominance and typicality effects in feature statement verification. Journal of Verbal Learning and Verbal Behavior, 17, 155 164. Collins, A. M. y Loftus, E. F. (1975). A spreading-activation theory of semantic processing. Psychological Review, 82, 407-428. Cycowicz, Y.M., Friedman D. & Rothstein M. (1997). Picture naming by young children: norms for name agreement, familiarity, and visual complexity. Journal of experimental child psychology. 65, 171 237. Devlin, J. T., Gonnerman, L. M., Andersen, E. S., & Seidenberg, M. S. (1998). Categoryspecific semantic deficits in focal and widespread brain damage: A computational account. Journal of Cognitive Neuroscience, 10, 77-94. Garrard, P., Lambon Ralph, M. A., Hodges, J. R., & Patterson, K. (2001). Prototypicality, distinctiveness, and intercorrelation: Analyses of the semantic attributes of living and nonliving concepts. Cognitive Neuropsychology, 18, 125-174. Gonnerman, L., Andersen, E., Devlin, J., Kempler, D. y Seidenberg, M. (1997). Double dissociation of semantic categories in Alzheimer's disease. Brain and Language, 57, 254-279. Hampton, J. A. (1997). Associative and similarity-based processes in categorization decisions. Memory & Cognition, 25, 625 640. Huapaya, C., Lizarralde, F. & Arona, G. (2009). Infosem: un sistema informático para evaluar conocimiento basado en la distancia semántica. En J. Vivas (Comp.). Evaluación de redes semánticas. Instrumentos y Aplicaciones. 117-152. MdP: EUDEM/UANL. Manoiloff, L., Arnstein, M., Canavoso, M.B., Fernández, L., Moroni, M. y Seguí, J. (2008). Normas psicolingüísticas para un set de 400 figuras exprimentales para población hispano-parlantes. International Neuropsychology Society Mid year meeting. Buenos Aires, 2, 3, 4 y 5 de Julio de 2008. Manzano, M., Piñeiro, A. & Reigosa, V. (1997). Estudio de las características de un conjunto de 260 figuras en sujetos de habla hispana. Cognitiva, 9, 29-64. Martin A. & Chao L.L. (2001). Semantic memory and the brain: structure and processes. Current Opinion in Neurobiology 11, 194 201. McRae, K, Cree, G, Seidenberg, M & McNorgan, C. (2005). Semantic feature production norms for a large set of living and nonliving things. Beh Research Methods, 37, 547-559. Moss, H., Tyler, L. & Devlin, J. (2002). The emergence of category-specific deficits in a distributed semantic system. En E. Forde & G. W. Humphreys (Eds.), Category-specificity in brain and mind (pp. 115-145). Hove, U.K.: Psychology Press. Murphy, G.L. (2002) The big book of concepts. Cambridge, MA: MIT Press. Norman, D. A., & Rumelhart, D. E. (1975). Memory and knowledge. En D. Norman, D. Rumelhart y LNR Res. Group (Eds.), Explorations in cognition. SF: Freeman. Peraita, H. & Moreno, F. (2006). Análisis de la estructura conceptual de las categorías semánticas naturales y artificiales en pacientes de Alzheimer. Psicothema, 18(3), 492-500. Elisa Pazgón y otros
La renovación de la palabra / 1002 Peraita, H.; Díaz, C. & Anlló-Vento, L.(2008). Processing of Semantic Relations in Normal Aging and Alzheimer s Disease. Archives of clinical neuropsychology, 23(1), 33-46. Rips, L. J., Shoben, E. J. y Smith, E. E. (1973). Semantic distance and the verification of semantic relations. Journal of verbal learning and verbal behaviour, 12, 1-20. Rosch, E., & Mervis, C. B. (1975). Family resemblances: Studies in the internal structure of categories. Cognitive Psychology, 7, 573-605. Sanfeliú, M. C. & Fernández, A. (1996). A set of 254 Snodgrass-Vanderwart pictures standardized for Spanish: Norms for name agreement, image agreement, familiarity, and visual complexity. Beh Res Meth, Instruments and Computers, 28, 537-555. Sartori, G. & Lombardi, L. (2004). Semantic relevance and semantic disorders. Journal of Cognitive Neuroscience, 16, 439-452. Sartori, G., Polezzi, D., Mamelia, F., & Lombardi, L. (2005). Feature type effects in semantic memory: An event related potentials study. Neuroscience Letters 390, 139 144. Smith, E.E., Shoben, E.J., & Rips, L.J. (1974). Structure and process in semantic memory: Featural model for semantic decisions. Psychological Review, 81, 214-241. Snodgrass, J. G. & Vanderwart, M. (1980). A standardized set of 260 pictures: Norms for name agreement, image agreement, familiarity, and visual complexity. Journal of Experimental Psychology: Human Learning and Memory, 6, 174-215. Taylor, K.I., Moss, H.E. & Tyler, L.K. (2007). The conceptual structure account: a cognitive model of semantic memory and its neural instantiatios. En: J. Hart y M. Kraut (Eds.) (2007) Neural basis of semantic memory. Cambridge University Press. Tyler, L. K. y Moss, H. E. (2001). Towards a distributed account of conceptual knowledge. Trends in Cognitive Sciences, 5, 244-252. Tyler, L.K., Moss, H.E., Durrant-Peatfield, M., & Levy, J. P. (2000). Conceptual structure and the structure of concepts: A distributed account of category-specific deficits. Brain & Language, 75, 195-231. Vinson, D. P. y Vigliocco, G. (2008). Semantic feature production norms for a large set of objects and events. Behavior Research Methods, 40 (1), 183-190. Vivas, J. (2008). Distsem. Un Método de captura y graficación de Redes Semánticas. Aplicaciones a Educación y a Neuropsicología. Revista Mexicana de Psicología. Nro. Especial Octubre 20008, 27-31. ISSN 0185607-3. Vivas, J. (2009). Redes Semánticas Naturales. Tecnología para la exploración clínica Natural Finder y para un colectivo social Definition Finder. Coloquio Internacional de Neurociencias, Psicología y Sociedad. IRICE- CONICET, 18/9/9. Vivas, J., Huapaya, C., Lizarralde, F., Arona, G., Comesaña, A., Vivas, L., García Coni, A. (2008). Distsem e Infosem: Instrumentos para la evaluación de la Memoria Semántica. Método y aplicaciones. En M. Concepción Rodriguez y V. Padilla (Comps.), Cognición y memoria, sus representaciones y mediciones. Monterrey: Ed. Universidad Autónoma de Nuevo León (En prensa). Vivas, J., Huapaya, C., Lizarralde, F., Comesaña, A, Vivas, L., García Coni, A. (2009). Distsem e Infosem: Instrumentos para la evaluación de la Memoria Semántica. En M. Concepción Rodriguez y V. Padilla Montemayor (Comp.) Cognición y memoria, sus representaciones y mediciones. 43-80. Monterrey: Ed. UANL. Wu, L. & Barsalou, W. (2009) Perceptual simulation in conceptual combination: Evidence from property generation. Acta Psychologica 132, 173 189. Zannino GD, Perri R, Pasqualetti P, Di Paola M, Caltagirone C, Carlesimo GA. (2006). The role of semantic distance in category-specific impairments for living things: evidence from a case of semantic dementia. Neuropsychologia; 44,1017-1028. Castel y Cubo, Editores (2010)