Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Messung des statistischen Lernens über Modalitäten und Domänen in Kindern im schulalterten Alter über eine Online-Plattform und Neuroimaging-Techniken

Published: June 30, 2020 doi: 10.3791/61474
Automatic Translation
1, 1, 1, 1
1Department of Linguistics and Cognitive Science, University of Delaware

Summary

Hier wird ein Protokoll vorgestellt, das eine Reihe kinderfreundlicher statistischer Lernaufgaben einführt, die darauf ausgerichtet sind, das Lernen von zeitlichen statistischen Mustern von Kindern in verschiedenen Bereichen und sensorischen Modalitäten zu untersuchen. Die entwickelten Aufgaben sammeln Verhaltensdaten mithilfe der webbasierten Plattform und der aufgabenbasierten funktionellen Magnetresonanztomographie (fMRI) zur Untersuchung des neuronalen Engagements während des statistischen Lernens.

Abstract

Statistisches Lernen, eine grundlegende Fähigkeit, Regelmäßigkeiten in der Umwelt zu extrahieren, wird oft als ein zentraler unterstützender Mechanismus der ersten Sprachentwicklung betrachtet. Während viele Studien über statistisches Lernen innerhalb eines einzigen Bereichs oder einer einzigen Modalität durchgeführt werden, deuten jüngste Erkenntnisse darauf hin, dass diese Fähigkeit je nach Kontext, in dem die Reize dargestellt werden, unterschiedlich sein kann. Darüber hinaus untersuchen nur wenige Studien das Lernen, wie es sich in Echtzeit entfaltet, und konzentrieren sich eher auf das Ergebnis des Lernens. In diesem Protokoll beschreiben wir einen Ansatz zur Identifizierung der kognitiven und neuronalen Grundlagen des statistischen Lernens innerhalb eines Individuums, über Domänen (linguistische vs. nicht-linguistische) und sensorische Modalitäten (visuell und auditiv). Die Aufgaben sind so konzipiert, dass sie so wenig kognitive Nondien wie möglich auf die Teilnehmer ausrichten, was sie ideal für junge Kinder im schulischen Alter und spezielle Bevölkerungsgruppen macht. Die webbasierte Natur der Verhaltensaufgaben bietet uns eine einzigartige Gelegenheit, bundesweit repräsentativere Populationen zu erreichen, Effektgrößen genauer zu schätzen und zur offenen und reproduzierbaren Forschung beizutragen. Die neuronalen Maßnahmen, die durch die funktionale Magnetresonanztomographie (fMRI) bereitgestellt werden, können Forscher über die neuronalen Mechanismen informieren, die während des statistischen Lernens eingesetzt werden, und wie diese sich je nach Domäne oder Modalität von Person zu Person unterscheiden können. Schließlich ermöglichen beide Aufgaben die Messung des Echtzeit-Lernens, da Änderungen der Reaktionszeit zu einem Zielreiz über den Expositionszeitraum nachverfolgt werden. Die Hauptbeschränkung der Verwendung dieses Protokolls bezieht sich auf die einstündige Dauer des Experiments. Kinder müssen möglicherweise alle vier statistischen Lernaufgaben in mehreren Sitzungen absolvieren. Daher ist die webbasierte Plattform unter Berücksichtigung dieser Einschränkung so konzipiert, dass Aufgaben individuell verbreitet werden können. Diese Methode wird es den Nutzern ermöglichen, zu untersuchen, wie sich der Prozess des statistischen Lernens in und innerhalb von Domänen und Modalitäten bei Kindern mit unterschiedlichem Entwicklungshintergrund entwickelt.

Introduction

Statistisches Lernen ist eine elementare Fähigkeit, die den Erwerb regelgesteuerter Kombinationen in Spracheingaben unterstützt1. Erfolgreiche statistische Lernfähigkeit bei Säuglingen sagt späteren Erfolg beim Erlernen von Sprachen voraus2,3. Die Variabilität der statistischen Lernfähigkeiten bei Kindern im schulischen Alter wurde auch mit Wortschatz4 und Lesen5,6in Verbindung gebracht. Schwierigkeiten beim statistischen Lernen wurden als ein ätiologischer Mechanismus vorgeschlagen, der der Sprachbeeinträchtigung zugrunde liegt7. Trotz des Zusammenhangs zwischen statistischem Lernen und Sprachergebnissen in neurotypischen und atypischen Populationen sind die kognitiven und die neuronalen Mechanismen, die dem statistischen Lernen zugrunde liegen, nach wie vor schlecht verstanden. Darüber hinaus hat frühere Literatur gezeigt, dass innerhalb eines Individuums statistische Lernfähigkeit nicht einheitlich, sondern unabhängig zwischen Domänen und Modalitäten6,8,9ist. Der Entwicklungspfad der statistischen Lernfähigkeiten kann je nach Bereich und Modalitäten weiter variieren10. Diese Ergebnisse unterstreichen, wie wichtig es ist, die individuellen Unterschiede im statistischen Lernen über mehrere Aufgaben hinweg im Laufe der Entwicklung zu bewerten. Der Bereich erfordert jedoch zunächst eine systematischere Untersuchung des Zusammenhangs zwischen statistischem Lernen und Erstsprachenentwicklung. Um diese Fragen zu beantworten, wenden wir innovative Methoden an, einschließlich einer webbasierten Testplattform11, die eine große Anzahl von Kindern erreicht, und laborbasierten Neuroimaging-Techniken (funktionelle Magnetresonanztomographie oder fMRI), die die Echtzeitkodierung statistischer Informationen untersuchen.

Standardmaße des statistischen Lernens beginnen mit einer Einarbeitungsphase und folgen auf eine zweialternative Zwangswahl (2-AFC) Aufgabe12,13. Die Einarbeitungsphase führt einen kontinuierlichen Strom von Reizen ein, der mit statistischen Regelmäßigkeiten eingebettet ist, wo einige Reize eher mitauftreten als andere. Die Darstellung dieser mitgehenden Reize folgt einer festen zeitlichen Reihenfolge. Die Teilnehmer werden während der Einarbeitungsphase passiv dem Stream ausgesetzt, gefolgt von einer 2-AFC-Aufgabe, die testet, ob der Teilnehmer die Muster erfolgreich extrahiert hat. Die 2-AFC-Genauigkeitsaufgabe stellt zwei aufeinander folgende Sequenzen dar: Eine Sequenz wurde dem Teilnehmer während der Einarbeitungsphase präsentiert, während die andere eine neue Sequenz ist oder einen Teil der Sequenz enthält. Eine Über-Chance-Genauigkeit auf dem 2-AFC würde auf erfolgreiches Lernen auf Gruppenebene hindeuten. Herkömmliche Verhaltensaufgaben zur Bewertung des statistischen Lernens basieren im Allgemeinen auf Genauigkeit als Ergebnismaß des Lernens. Die Genauigkeit berücksichtigt jedoch nicht das natürliche Lernen von Informationen, wie sie sich in der Zeit entfalten. Ein Maß für das Lernen in Echtzeit ist notwendig, um den impliziten Lernprozess des statistischen Lernens zu nutzen, bei dem die Kinder noch die Regelmäßigkeiten aus den Eingaben14,15,16kodieren. Verschiedene Paradigmenanpassungen wurden entwickelt, um von der 2-AFC-Maßnahme wegzukommen, hin zu Maßnahmen des Online-Lernens durch Verhaltensreaktionen während der Exposition16. Studien, die diese Anpassungen nutzten, die die Reaktionszeit während der Expositionsphase messen, ergaben, dass sie mit der Genauigkeit nach dem Lernen17 zusammenhängten, mit einer besseren Test-Retest-Zuverlässigkeit im Vergleich zu der Genauigkeit bei erwachsenen Lernenden18.

Neuronale Maßnahmen sind auch grundlage für unser Verständnis, wie sich das Lernen im Laufe der Zeit entwickelt, da der implizite Prozess, durch den das Erlernen von Sprachen stattfindet, wahrscheinlich andere neuronale Ressourcen rekrutiert als die, die verwendet werden, sobald die Sprache erlernt wird19. Neuronale Messungen liefern auch Einblicke in Unterschiede in kognitiven Spezialisierungen, die der Sprachfähigkeit in speziellen Populationen zugrunde liegen20. Wie der Zustandskontrast in einer fMRI-Studie gestaltet wird, ist entscheidend dafür, wie wir Muster der neuronalen Aktivierung während des Lernens interpretieren. Eine gängige Praxis ist es, Gehirnreaktionen während der Eingewöhnungsphase zwischen Sequenzen zu vergleichen, die reguläre Muster enthalten, mit solchen, die die gleichen Reize enthalten, die nach dem Zufallsprinzip angeordnet werden. Jedoch, frühere Forschung enden eine solche zufällige Kontrollbedingung fand keine Beweise für das Lernen im Verhalten, trotz neuronaler Unterschiede zwischen strukturierten und zufälligen Sequenzen. Dies könnte auf die Interferenz von zufallsseitig beim Erlernen strukturierter Sequenzen zurückzuführen sein, da beide aus den gleichen Reizen konstruiert wurden21,22. Andere fMRI-Studien, die Rückwärtssprache oder frühere Lernblöcke als Kontrollbedingung bestätigt lernen verwendet wurde, fanden verhaltensbedingtstatt 19,23. Jedes dieser Paradigmen führte jedoch seinen eigenen verwirrenden Faktor ein, wie die Wirkung der Sprachverarbeitung für den erstgenannten Fall und die Wirkung der experimentellen Ordnung für den letztgenannten Fall. Unser Paradigma verwendet die zufällige Sequenz als Kontrollbedingung, mindert aber deren Einmischung auf das Erlernen der strukturierten Sequenzen der Teilnehmer. Unser fMRI-Paradigma implementiert auch ein gemischtes Block-/Ereignis-Design, das die gleichzeitige Modellierung von transienten versuchsbezogenen und nachhaltigen aufgabenbezogenen BOLD-Signalen ermöglicht24. Schließlich und im weiteren Sinne ermöglichen neuronale Maßnahmen die Messung des Lernens in Populationen, in denen es schwierig sein kann, eine explizite Verhaltensreaktion auszulösen (z. B. Entwicklungs- und Spezialpopulationen)25.

Das aktuelle Protokoll nimmt zusätzlich zu den herkömmlichen Genauigkeitsmessungen eine Reaktionszeitmessung an und untersucht die Gehirnaktivierung während der Einarbeitungsphase. Die Kombination dieser Methoden zielt darauf ab, einen reichen Datensatz für die Untersuchung von Echtzeit-Lernprozessen bereitzustellen. Die webbasierte Plattform bietet eine Reihe von Lernmaßnahmen, indem sowohl die Reaktionszeit während der Belichtungsphase als auch die Genauigkeit der 2-AFC-Aufgabe während der Testphase einbezogen werden. Das Neuroimaging-Protokoll ermöglicht die Untersuchung der zugrunde liegenden neuronalen Mechanismen, die statistisches Lernen über Domänen und Modalitäten hinweg unterstützen. Während es optimal ist, statistisches Lernen innerhalb einer Person anhand der webbasierten und fMRI-Protokolle zu messen, sind die Aufgaben so konzipiert, dass sie unabhängig und damit als zwei unabhängige Maßnahmen des statistischen Lernens verbreitet werden können. Die im aktuellen Protokoll enthaltenen fMRI-Experimente können helfen zu klären, wie Stimuluscodierung, Musterextraktion und andere Bestandteile des statistischen Lernens durch bestimmte Hirnregionen und Netzwerke dargestellt werden.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Alle Teilnehmer gaben ihre schriftliche Zustimmung zur Teilnahme und das Studium wurde in Übereinstimmung mit dem Institutional Review Board durchgeführt.

1. Überblick über das statistische Lernparadigma, das im webbasierten Protokoll verwendet wird

  1. Beziehen Sie vier Aufgaben in das aktuelle Paradigma ein: Bild (visuell-nichtlinguistisch), Buchstabe (visuell-linguistisch), Ton (hörbar-nichtlinguistisch) und Silbe (hörlich-linguistisch).
    1. Konstruieren Sie Reize für visuelle Aufgaben mit 12 eigenständigen Alien-Cartoon-Bildern (Bild) und 12 Buchstabenbildern (Buchstabe; B, J, K, A, H, C, F, E, J, G, D, M) zeigt den gleichen Alien, der 12 Zeichen mit Großbuchstaben auf ihnen hält.
    2. Konstruieren Sie auditive Reize mit 12 englischen Silben (Silbe; pi,pu,pa,ti,tu.ta,di,du,da,bi,bu,ba) und 12 Musiktönen innerhalb der gleichen Oktave (Ton; F,G,D,G',C',B,C,F',D',E,A,A'). Die Silbenreize können mit einem künstlichen Sprachsynthesizer hergestellt werden und können als separate Dateien in Praat26,27aufgezeichnet werden.
  2. In der Einarbeitungsphase werden Reize in einem strukturierten Strom dargestellt (siehe Abbildung 1). Während der Einarbeitungs- oder Testphase wird zu keinem Zeitpunkt Feedback gegeben.
    HINWEIS: Innerhalb jeder Aufgabe folgt sofort eine Einarbeitungsphase auf eine Testphase.
    1. Strukturieren Sie für die Aufgabe Bild (visuell-nichtlinguistisch) 12 Bilder in vier Ziel-Triplets. Wiederholen Sie in der Eingewöhnungsphase jedes der vier Ziel-Triples 24 Mal für insgesamt 96 Drillinge.
      HINWEIS: Die 96 Drillinge werden zufällig zu einem kontinuierlichen Strom verkettet, mit der Einschränkung, dass kein Triplet sofort wiederholt werden kann. Bilder werden nacheinander in der Mitte des Bildschirms dargestellt. Jedes Bild wird für 800 ms mit 200 ms Interstimulus-Intervall dargestellt. Die gesamte Einarbeitungsphase dauert 4 min 48 s.
    2. Stellen Sie sicher, dass die Testphase immer der Einarbeitungsphase folgt und aus 32 Zwei-Alternativen-Zwangsauswahlfragen (2AFC) besteht. Für jede Frage, enthalten 2 Optionen: ein Ziel-Triplet aus der Einarbeitungsphase und ein Triplet, das nicht in der Einarbeitungsphase enthalten war, bezeichnet als Folie Triplet.
      HINWEIS: Foliendrillinge sind so konstruiert, dass die relative Position jedes Bildes im Folien-Triplet mit dem Ziel-Triplet identisch ist. Jedes Ziel- und Folien-Triplet wird insgesamt 8 Mal in einem Test dargestellt, und jedes Folien-Ziel-Paar wird wiederholt. Die Testphase besteht aus 32 (4 Zieltriplelets x 4 Folientriples x 2 Wiederholungen) zufällig angeordneten Versuchen.
    3. Für den Buchstaben (visuell-linguistische) Aufgabe enthalten 12 Bilder von großgeschriebenen Buchstaben, die in vier Ziel-Triplets (GJA, FKC, LBE und MDH) organisiert sind.  Erstellen Sie für die Testphase 4 Folientriples (GDE, FJH, LKA und MBC) und koppeln Sie sie mit den Zieldrillingen zu den 32 2AFC-Testversuchen. Kein Buchstaben-Triplet darf Wörter, allgemeine Akronyme oder Initialismen enthalten.
    4. Für die Tonaufgabe (hörlich-nichtlinguistisch) umfassen 12 musikalische reine Töne innerhalb derselben Oktave (eine volle chromatische Skala ab der Mitte C) und verketten sie in vier Ziel-Triplets (F-DE, ABC, C-A-F und GD-G). Anders als bei den visuellen Aufgaben ist die Präsentationsgeschwindigkeit aufgrund von Unterschieden in der hörbaren Wahrnehmungspräferenz6,28,29schneller.
      HINWEIS: Jedes der vier Ziel-Triples wird 48 Mal für insgesamt 192 Drillinge wiederholt (doppelt so viel wie die visuellen Bedingungen). Alle Drillinge werden zu einem Soundstream verkettet, ohne dass das Triplet zweimal hintereinander wiederholt wird. Reine Töne werden nacheinander dargestellt, während die Teilnehmer einen leeren Bildschirm anzeigen. Die Dauer jedes Tons beträgt 460 ms mit einem 20 ms Interstimulus-Intervall. Der gesamte Strom dauert ca. 4 min und 36 s. Wie bei den visuellen Aufgaben folgt eine Testphase von 32 2AFC-Versuchen mit Paaren von Ziel- und Foliendrillingen (F-BF, AA-G, C-D-E, GDC) unmittelbar der Einarbeitungsphase.
    5. Für die Silbe (hörlich-linguistische) Aufgabe verwenden Sie 12 Konsonantenvokal (CV) Silben erstellt und in vier Ziel-Triplets gruppiert (pa-bi-ku, go-la-tu, da-ro-pi, und ti-bu-do). Die Dauer jeder Silbe und das Interstimulus-Intervall ist die gleiche wie die Tonbedingung. Paarviert vier Folientriples (pa-ro-do, go-bu-ku, da-bi-tu und ti-la-pi) mit den Zieltriples in der Testphase.
  3. Randomisieren Sie die Reihenfolge der vier statistischen Lernaufgaben über die Teilnehmer hinweg.

2. Teilnehmerrekrutierung

HINWEIS: Während das webbasierte Protokoll und das fMRI-Protokoll am besten gemeinsam innerhalb eines einzelnen Teilnehmers implementiert werden, skizzieren wir hier die Best Practices für die Rekrutierung von Teilnehmern für jede Aufgabe unabhängig voneinander.

  1. Webbasierte Teilnehmerrekrutierung
    1. Rekrut teilnehmer ab 6 Jahren. Teilnehmer von Sex, Rasse und ethnischer Zugehörigkeit können teilnehmen; Die Studienstichprobe sollte jedoch repräsentativ für die Bevölkerung sein.
    2. Rekrutieren Sie Teilnehmer, die Muttersprachler in Englisch sind und vor dem 5. Lebensjahr keine Sprachen außer Englisch erhalten haben.
    3. Stellen Sie sicher, dass sie keine bekannten psychologischen (einschließlich ADD, Depression, PTSD, und klinische Angst) und/oder neurologische Erkrankungen (einschließlich Schlaganfall, Anfall, Hirntumor oder geschlossene Kopfverletzungen) melden.
    4. Stellen Sie sicher, dass die Teilnehmer ein normales oder korrigiertes Sehen haben (Brillen oder Kontakte sind in Ordnung), normales Farbsehen und normales Hören (kein Hörgerät oder Cochlea-Implantat).
  2. Aufgabenbasierte fMRI-Teilnehmerrekrutierung
    1. Rekrut teilnehmer ab 6 Jahren. Teilnehmer von Sex, Rasse und ethnischer Zugehörigkeit können teilnehmen; Die Studienstichprobe sollte jedoch repräsentativ für die Bevölkerung sein.
    2. Um förderfähig zu sein, rekrutieren Sie Teilnehmer, die Muttersprachler sind und vor dem 5. Lebensjahr noch nie einer Sprache außer Englisch ausgesetzt waren.
    3. Rekrutieren Sie Rechtshänder, ohne bekannte psychologische (einschließlich ADD, Depression, PTSD, und klinische Angst) und neurologische Erkrankungen (einschließlich Schlaganfall, Anfall, Hirntumor, oder geschlossene Kopfverletzung).
    4. Teilnehmer ausschließen, die schwanger sind, klaustrophobisch sind, psychoaktive Medikamente einnehmen oder Metall im Körper haben (einschließlich Herzschrittmacher, neuronale Implantate, Metallplatten oder Gelenke, Schrapnell und chirurgische Klammern).
    5. Stellen Sie sicher, dass die Teilnehmer ein normales oder korrigiertes Sehen haben (Brillen oder Kontakte sind in Ordnung), normales Farbsehen und normales Hören (kein Hörgerät oder Cochlea-Implantat).
    6. Bestimmen Sie die Berechtigung zur Teilnahme an der MRT, indem Sie teilnehmer (oder Eltern, wenn der Teilnehmer minderjährig ist) ein MRT-Sicherheits-Screening-Formular ausfüllen.

3. Web-basiertes Protokoll

HINWEIS: Das webbasierte paradigmarisches statistisches Lernen wird auf einer sicheren Website gehostet (https://www.cogscigame.co11) und mit jsPsych, einer JavaScript-Bibliothek zur Erstellung von Verhaltensexperimenten online30, entwickelt.

  1. Um Aufgaben zu reproduzieren, gehen Sie zu DOI: 10.5281/zenodo.3820620. Alle Skripte und Materialien sind öffentlich zugänglich. Forscher können die Skripte ändern und die Experimente lokal in jedem Webbrowser ausführen, solange alle Pfade für die Ausgabedateien entsprechend eingerichtet sind.
  2. Lassen Sie die Teilnehmer eine Deckungsaufgabe abschließen, bei der sie aufgefordert werden, einen Knopf zu drücken, wenn sie in allen Einarbeitungsphasen jeder statistischen Lernaufgabe ein bestimmtes Ziel sehen.
  3. Zielstimuluszuweisung für jede Aufgabe
    1. Wählen Sie in bild-, buchstaben- und silbe Aufgaben nach dem Zufallsprinzip eines der vier Drillinge aus und weisen das Ziel dem dritten Stimulus des Triplets zu. Beschränken Sie in der Tonaufgabe den Zielstimulus nur auf die niedrigsten oder höchsten Töne des dritten Stimulus in den Drillingen, und weisen Sie das Ziel dem dritten Stimulus des Triplets zu. Dies geschieht, weil Tonreize relativ schwerer zu unterscheiden sind als andere Arten von Reizen.
    2. In der Silbe und Tonaufgaben, stellen Sie den Teilnehmern ein Alien und das Lieblingswort /Note in seiner fremden Sprache/Volksmusik vor. Sagen Sie den Teilnehmern, dass sie die Sprache/Musik des Aliens hören werden und sich daran erinnern, die Leertaste zu drücken, wenn sie das Lieblingswort/die Lieblingsnote hören", indem sie den Raum zwischen / und Note löschen.
    3. Weisen Sie die Teilnehmer in der Bildaufgabe an, einen speziellen Alien zu verfolgen, wenn eine Gruppe von Aliens Schlange steht, um ein Raumschiff zu betreten. In der Briefaufgabe, sagen Sie den Teilnehmern, den Überblick über das Lieblingszeichen des Aliens zu behalten, da der Alien Schilder für eine Parade hochhält. Geben Sie den Teilnehmern eine Übungsstudie sowohl in den Bild- als auch in den Buchstabenaufgaben.
    4. Geben Sie keine expliziten Anweisungen über das Vorhandensein von Drillingen.
    5. Messen Sie die Reaktionszeit über die 24 Versuche in den visuellen Aufgaben und über die 48 Versuche in den auditiven Aufgaben, um Online-Lernen zu bewerten.
    6. Während der Testphase werden dem Teilnehmer sowohl ein Ziel (in der Einarbeitungsphase enthalten) als auch ein Folien-Triplet (nicht in der Einarbeitungsphase enthalten) vorgestellt. Weisen Sie die Teilnehmer an, dann auszuwählen, welcher der beiden dem ähnelt, was sie in der Eingewöhnungsphase gesehen oder gehört haben. Jede Prüfung muss mit einer Antwort enden.
  4. Verhaltensmessungen des statistischen Lernens im webbasierten Protokoll
    1. Messen Sie das Echtzeitlernen während der Einarbeitungsphase über die lineare Steigung der Reaktionszeit (Änderung der Reaktionszeit während der Einarbeitungsphase).
    2. Um als gültige Antwort auf das Ziel betrachtet zu werden, überprüfen Sie, ob sich der Keypress im Zeitfenster eines Stimulus vor und eines Stimulus nach dem Zielstimulus befinden muss. Das sind -480 ms bis +960 ms relativ zum Beginn des Ziels in den akustischen Aufgaben und -1000 ms bis +2000 ms in den visuellen Aufgaben. Ein Keypress vor dem Ziel gilt als Vorwegnahme und ergibt somit eine negative Reaktionszeit.
    3. Um die Reaktionszeiten über die Bedingungen hinweg zu vergleichen, wandeln Sie die Reaktionszeiten jedes Teilnehmers für jede Aufgabe in z-Scores um. Dadurch werden die Reaktionszeiten eines Individuums normalisiert, sodass Partituren über Aufgaben hinweg verglichen werden können.
    4. Berechnen Sie eine Reaktionszeitneigung jedes Teilnehmers für jede Bedingung mithilfe der linearen Regression. Geben Sie die z-normierten Reaktionszeiten als abhängige Variable und die Zielversuchsreihenfolge als unabhängige Variable ein (visuell: 1 bis 24; auditiv: 1 bis 48). Die Steigung der linearen Regressionslinie (Beta-Koeffizient/Schätzung) ist die Reaktionszeitneigung (RT-Neigung).
    5. Messen Sie die Offline-Genauigkeit jedes Teilnehmers für jede Bedingung, indem Sie die Anzahl der korrekten Versuche von der Testphase durch die Gesamtzahl der Versuche (32 Versuche) dividieren.

4. Aufgabenbasiertes fMRI-Protokoll

  1. Änderungen am statistischen Lernparadigma (Abbildung 2).
    1. Präsentieren Sie für jede Aufgabe sowohl eine strukturierte Sequenz (mit statistischen Regelmäßigkeiten) als auch eine Zufallssequenz (keine statistischen Regelmäßigkeiten).
      HINWEIS: Strukturierte Sequenzen sind identisch mit den für das webbasierte Protokoll beschriebenen (siehe Abbildung 1). Im Gegensatz dazu enthalten Zufällige Sequenzen die gleichen 12 Reize wie in den strukturierten Sequenzen dargestellt, werden aber pseudozufällig angeordnet. Es werden keine Kombinationen von drei Reizen mehr als einmal wiederholt.
    2. Teilen Sie jede Sequenz in sechs kleinere Blöcke gleicher Länge (24 Reize für die visuellen Aufgaben und 48 Reize für die hörlichen Aufgaben).
    3. Verketten Sie drei strukturierte Blöcke, 3 zufällige Blöcke und 6 Ruheblöcke (Schweigen mit einem leeren Bildschirm) in einer pseudozufälligen Reihenfolge, um vier Durchläufe von akustischen Reizen und vier Durchläufe n.V. visueller Reize zu erzeugen. Um das Erlernen der strukturierten Sequenzen zu maximieren, stellen Sie sicher, dass die zufälligen Blöcke in jedem Durchlauf eine andere Domäne als die strukturierte Sequenz enthalten (z. B. werden silbig strukturierte Sequenzen zusammen mit Ton-Zufallssequenzen in einem Durchlauf dargestellt, und Silbe-Zufallssequenzen werden zusammen mit tonstrukturierten Sequenzen in einem anderen Durchlauf dargestellt).
    4. Schließen Sie 288 Bilder ein, die in jedem Lauf für die visuelle Aufgabe von ca. 4,77 min präsentiert werden. Berücksichtigen Sie 576 Töne, die in die auditive Aufgabe, die ca. 4,42 min dauert, präsentiert werden. Zu Beginn jedes Blocks einen Hinweis über das Ziel mit einer verbalen und visuellen Sonde präsentieren: "Jetzt hören/suchen Sie nach dem [TARGET]".
    5. Stellen Sie unter den vier Durchläufen der visuellen Aufgabe sicher, dass zwei strukturierte Sequenzen von Bildern und die anderen beiden strukturierte Buchstabensequenzen enthalten. Unter den vier Durchläufen der akustischen Aufgabe stellen Sie sicher, dass zwei strukturierte Sequenzen von Silbes enthalten und die anderen beiden strukturierte Tonsequenzen enthalten.
  2. fMRI statistisches Lernverfahren
    1. Um die Teilnehmer, insbesondere Kinder, im Scanner bequem zu machen, üben Sie die MRT-Scansitzung zuerst mit einem Mock-Scanner31. Ein Mock-Scanner bietet eine naturalistische Erfahrung ähnlich der tatsächlichen Scansitzung, befindet sich aber in der Regel in einer kinderfreundlicheren Umgebung.
    2. Stellen Sie das Kind zunächst dem Mock-Scanner, d. h. der Gehirnkamera, vor und stellen Sie sicher, dass sie sich wohlfühlen, bevor Sie sie in den Scanner eintragen.
    3. Stellen Sie sie ihrem "Scan-Buddy" vor und erklären Sie, dass der Zweck des Scan-Kumpels darin besteht, sie begleitet zu halten und ihnen zu helfen, wenn sie etwas brauchen. Der Scan-Kumpel wird den Teilnehmer sanft daran erinnern, still zu bleiben, wenn zu viel Bewegung von der "Kamera" erkannt wird.
    4. Sobald sie sich im Scanner befinden, spielen Sie kinderfreundliche Videos ab, um sich an den Ton und das Video zu akklimatisieren. Wenn sie bereit sind, spielen Sie ein paar vorab aufgezeichnete Scanner-Soundclips ab, um sie auf die Geräusche vorzubereiten, die durch das echte MRT erzeugt werden. Während dieser Zeit haben sie üben, still zu bleiben und mit dem Scan-Kumpel zu arbeiten.
    5. Bringen Sie Die Kinder an das statistische Lernparadigma heran und lassen Sie sie außerhalb des Scanners üben. Dies geschieht, indem Kinder einen kurzen Teil der Aufgabe auf einem Computer ausführen, ähnlich dem webbasierten Protokoll, indem die oben genannten Schritte 3.2.2 und 3.2.3 ausgeführt werden.
      HINWEIS: Die Übungsreize sind die gleichen wie die, die in der Aufgabe verwendet werden; Kinder sind jedoch nur der Zufallssequenz und nicht den strukturierten Sequenzen ausgesetzt, was eine kurze Gewöhnung an die Reize und Aufgabenanforderungen ermöglicht, ohne dass bestimmte Sequenzen erlernt werden können.
    6. Stellen Sie sicher, dass das fMRI-Datenerfassungsprotokoll auf dem MRT-Erfassungscomputer entsprechend eingerichtet ist.
      HINWEIS: Die Erfassungsparameter folgen den Empfehlungen der Adolescent Brain Cognitive Development (ABCD) Study32.
    7. Beginnen Sie die Scansitzung mit hochauflösenden T1-gewichteten Scans. Erfassen Sie diese mit einem 176-Scheiben 3D-MPRAGE(Magnetization Prepared Rapid Gradient Echo) Volumenscan mit TR (Wiederholungszeit) = 2500 ms, TE (Echozeit) = 2,9 ms, Drehwinkel = 8°, FOV (Sichtfeld) = 25,6 cm, 256 X 256 Matrixgröße und 1 mm Scheibendicke. Diese Akquisition dauert 7,2 Min.
    8. Um funktionelle Daten zu erfassen, verwenden Sie T2*-gewichtete Echo-Planar-Bildgebung mit gleichzeitiger Multi-Slice-Scans Erfassung mit TR= 800 ms, TE = 32 ms, Drehwinkel = 61°, FOV = 21 cm und Matrix = 64 x 64. In diesem Experiment werden 60 benachbarte Scheiben in einer überkreuzten Sequenz mit 2,5 mm Scheibendicke, einer 21 cm FOV und einer Matrix 64 X 64 erfasst, was zu einer In-Plane-Auflösung von 2,5 mm x 2,5 mm x 2,5 mm führt.
    9. Lassen Sie die Teilnehmer bequem auf dem Bett des fMRI-Scanners mit Kopfhörern liegen, die ihre Ohren vor dem Scannergeräusch schützen, und einer Antwortblock/Knopfbox in der Hand (sowohl Kopfhörer als auch Knopfkasten müssen Scanner-kompatibel sein).
    10. Legen Sie zusätzliche Polsterung um den Kopf, um eine begrenzte Kopfbewegung während der Datenerfassung zu gewährleisten. Geben Sie dem Teilnehmer das Schaltflächenantwortfeld im Voraus, um Antworten aufzuzeichnen und auszugleichen, ob die linke oder rechte Hand zum Drücken von Schaltflächen zwischen den Teilnehmern verwendet wird.
    11. Geben Sie jedem Kind die Möglichkeit eines Scan-Kumpels. Für ältere, neurotypische Kinder, die sich ohne Scan-Kumpel wohlfühlen, geben Sie ihnen einen Squeeze-Ball, um den Experimentator zu benachrichtigen, wenn sie beunruhigt sind oder anhalten müssen. Geben Sie jüngeren Kindern und speziellen Populationen einen Squeeze Ball, aber auch ihnen einen Scan-Kumpel zur Verfügung stellen, um ihnen zu helfen (beschrieben in 4.2.3).
    12. Legen Sie die Kopfspule über den Kopf des Teilnehmers und richten Sie die Position des Patienten im Bett aus.
    13. Registrieren Sie auf dem Erfassungscomputer einen neuen Teilnehmer. Geben Sie die Teilnehmer-ID, das Geburtsdatum, das Gewicht und die Höhe ein. Der Teilnehmer kann nun in die Bohrung des MRT eingeführt werden.
    14. Erwerben Sie T1-gewichteten Scan, während Sie den Teilnehmern einen Film zeigen.
    15. Bevor Sie mit dem statistischen Lernparadigma beginnen, geben Sie den Teilnehmern die Anweisungen für jede Aufgabe, indem Sie mit ihnen über ein Intercom-System sprechen, das mit ihren Kopfhörern verbunden ist.
    16. In den hörigen Aufgaben sagen Sie den Teilnehmern: "Jetzt spielen wir ein Knopfdrücken. Sie werden hören, wie die Aliens Worte sagen und Musik spielen. Denken Sie daran, die Taste in Ihrer LINKEN /RECHTS-Hand zu drücken, wenn Sie den Ton hören, den Sie hören. Es wird 4 Teile geben, und jeder Teil wird etwa 5 min dauern."
    17. In den visuellen Aufgaben, sagen Sie den Teilnehmern: "Jetzt werden Sie die Bilder der Aliens und die Buchstaben zu sehen. Wann immer Sie das gesuchte Bild sehen, drücken Sie die Taste in Ihrer LINKEN/RECHTS-Hand. Sie werden dies 4 Mal hintereinander spielen. Es dauert jeweils etwa 5 Minuten."
    18. Starten Sie das statistische Lernparadigma auf dem Präsentationscomputer und erfassen Sie die AufgabenfMRI-Daten.
    19. Sobald der Teilnehmer das Paradigma abgeschlossen hat, stoppen Sie das MRT, entfernen Sie sie sicher aus dem Inneren des Scanners, und entfernen Sie die Kopfspule.
    20. Übertragen Sie nach der Datenerfassung alle MRT-Daten vom Erfassungscomputer an einen gesicherten Server für weitere Analysen.
  3. fMRI-Datenanalysen
    1. Analysieren Sie die Reaktionszeit im Scanner während der fMRI-Aufgabe ähnlich wie bei der webbasierten Berechnung der Reaktionszeit während der Einarbeitungsphase. Normalisieren Sie die Reaktionszeit, um die Bedingungen zu vergleichen, und berechnen Sie eine lineare Neigung unter Verwendung der normalisierten Reaktionszeit für jede Bedingung eines Individuums.
    2. Bei der Analyse der fMRI-Daten sollten Sie Daten zunächst mit HeuDiConv34 (https://github.com/nipy/heudiconv) organisieren und in Brain Imaging Data Structure33 (BIDS)-Formatierung konvertieren.
    3. Diese Daten mit fMRIPrep35,36vorverarbeiten. Diese automatisierte Vorverarbeitungspipeline kombiniert Methoden von AFNI37, ANTs38, Freesurfer39, FSL40und Mindboggle41, um wissenschaftlich strenge und reproduzierbare Daten für die Datenanalyse bereitzustellen.
      HINWEIS: Die aktuelle Studie implementiert einen gemischten Block-/Ereignisentwurf. Die repräsentativen Ergebnisse (unten) behandeln jeden Miniblock als Ereignis (z. B. ist die Zufällige Sequenz ein Ereignis, strukturierte Sequenz ist ein Ereignis usw.). Die Aufgabe ist aber auch so konzipiert, dass man jeden Stimulus als Ereignis modellieren kann.
    4. Fügen Sie zwei Aufgabenregressoren für jede Ausführung ("Bild" und "Buchstabe" für die visuelle Bedingung und "Silbe" und "Ton" für den akustischen Zustand) in den Modellentwurf der ersten Ebene ein. Bestimmen Sie Aufgabenregressoren, indem Sie einen Vektor der Ereigniseintrittszeiten mit ihrer Dauer mit einer kanonischen hämodynamischen Antwortfunktion verkleben. Berechnen Sie Unterschiede und Mittelwerte zwischen Durchläufen innerhalb jedes Fachs für übergeordnete Modellentwürfe. Dies führt zu einem Kontrast zwischen strukturierten und zufälligen Sequenzen innerhalb jeder Art von Reizen.
    5. Erstellen Sie einen Gruppenmittelwert der Aktivierung für strukturierte Blöcke im Vergleich zu zufälligen Blöcken innerhalb jeder Modalität/Domäne.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Webbasierte Verhaltensergebnisse
Da das aktuelle Protokoll für eine einfache Verbreitung mit Entwicklungspopulationen konzipiert ist, haben wir vorläufige webbasierte Ergebnisse auf der Grundlage von Daten von 22 sich entwickelnden Kindern im schulpflichtigen Alter (Mittelalter (M) = 9,3 Jahre, Standardabweichung (SD) Alter = 2,04 Jahre, Bereich = 6,2-12,6 Jahre, 13 Mädchen) aufgenommen. Bei der webbasierten statistischen Lernaufgabe schnitten die Kinder unter allen Bedingungen deutlich besser ab als 0,5 Chancen, was auf ein erfolgreiches statistisches Lernen auf Gruppenebene hindeutet (siehe Tabelle 1 für Statistiken; Abbildung 3). Die mittlere Reaktionszeitneigung war negativ und lag im Silbezustand deutlich unter 0 (M = -0,01, SD = 0,02, t(14) = -2,36, einseitig p = 0,02) und in der Buchstabenbedingung (M = -0,02, SD = 0,06, t(15) = -1,52, einseitig p = 0,07, Abbildung 4), was auf eine schnellere Beschleunigung der Zielerkennung während der Einarbeitungsphase in den sprachlichen Aufgaben hindeutet. Die mittlere Reaktionszeitneigung war im Bildzustand nicht signifikant von Null (M = 0,02, SD = 0,04, t(17) = 1,54, einschwänzig p > .1) oder die Tonbedingung (M = 0,005, SD = 0,02, t(15) = -5,7 x 10-17, einschwänzige p > .1), trotz Desins von Erkenntnissen in den Offline-Messungen. Cronbachs Alpha war 0,75 für die Aufgabe "Brief", 0,09 für die Silbe, 0,67 für die Tone-Aufgabe und 0,86 für die Aufgabe Bild. Korrelationen zwischen impliziten Kennzahlen (RT-Neigung) und expliziten Messgrößen (Genauigkeit) des statistischen Lernens identifizieren eine signifikante Beziehung für die Image-Aufgabe (R = -.48, p = 0,04) und die Aufgabe "Buchstabe" (R = -.54, p = 0,03). Die intertaskiveren Korrelationen deuten ferner darauf hin, dass die vier Aufgaben einen bescheidenen Grad an sich überschneidenden Lernmechanismus haben können (Abbildung 5). Während die Genauigkeit bei beiden visuellen Aufgaben stark korreliert war (R = .60, p = 0,02), wurden sie auch positiv mit der Genauigkeit der Silbe verbunden (Bild R = .66, p = 0,01; Buchstabe R = .85, p < 0.001).

fMRI Ergebnisse
Vorläufige fMRI-Ergebnisse basierten auf Daten von neun sich entwickelnden Kindern im schulpflichtigen Alter. Diese neun Kinder waren eine Teilmenge der 22 Kinder, die in den webbasierten Verhaltensergebnissen enthalten waren, da nicht alle Kinder ins Labor kamen, um den fMRI-Teil der Studie abzuschließen. Alle neun absolvierten die auditiven statistischen Lernaufgaben(M Alter = 10,77 Jahre, SD = 1,96 Jahre, Bereich = 7,7-13,8 Jahre, 4 Mädchen) und sieben absolvierten die visuellen statistischen Lernaufgaben(M Alter = 11,41 Jahre, SD = 2,37 Jahre, Bereich = 7,7-13,8 Jahre, 4 Mädchen). Beim Vergleich strukturierter Blöcke mit zufälligen Blöcken wurden signifikante Cluster unter allen vier Bedingungen beobachtet (Abbildung 6). In der Silbe wurde eine größere Aktivierung am linken oberen zeitlichen Gyrus, rechten Insula/Frontaloperculum und anteriorem cingulate gyrus gefunden. Im Tonzustand wurde eine größere Aktivierung am linken mittleren zeitlichen Gyri, beidseitigen Winkelkreisel, linkem Frontalpol, rechtem seitlichem okzipitalen Kortex, rechter Insula und rechtem frontalem Operculum gefunden. In der Buchstabenbedingung wurde eine größere Aktivierung am linken Planum temporal gefunden. In der Bildbedingung wurde eine größere Aktivierung am rechten lateralen okzipitalen Kortex gefunden. Diese vorläufigen Ergebnisse deuten darauf hin, dass die neuronalen Aktivierungsmuster von Kindern je nach Modalität und Domäne der vorgestellten Reize zwischen dem Erlernen statistischer Regelmäßigkeiten unterschiedlich sind. Der aktuelle Aufgabenentwurf ist auf diese Unterschiede empfindlich und kann aufgabenspezifische Aktivierungsbereiche ähnlich wie in früheren Studienidentifizieren 20,25.

fMRI Verhaltensergebnisse
Um das Lernen im fMRI-Teil dieser Studie zu demonstrieren, haben wir Verhaltensergebnisse von 28 Erwachsenen (M-Alter = 20,8, SD = 3,53, 20 Frauen) in das Scanner-Verhaltensergebnis aufgenommen, da die Daten von 9 Kindern nicht ausreichten, um zuverlässige Statistiken zu berechnen. Unsere Ergebnisse bei Erwachsenen zeigen, dass das Lernen in allen Aufgaben für die strukturierte Sequenz erfolgreich durchgeführt wurde, unterstützt durch eine deutlich schnellere Reaktionszeit im Strukturierten im Vergleich zur Zufallsbedingung, außer im Fall der Tonaufgabe (siehe Tabelle 2 für Statistiken).

Zusammengenommen deuten unsere webbasierten Genauigkeitsmessungen und die erhöhte Aktivierung für strukturierte vs. zufällige Sequenzen im Scanner darauf hin, dass dieses Protokoll mit Entwicklungspopulationen implementiert werden kann, um statistisches Lernen innerhalb von Domänen und Modalitäten innerhalb eines Individuums zu messen. Unsere verhaltensbezogene MRT führt zu einer erwachsenen Bevölkerung, die den Nutzen dieses Protokolls bei der Messung des Lernens strukturierter Sequenzen in Echtzeit sowie die Fähigkeit, die webbasierten und fMRI-Protokolle unabhängig zu implementieren, weiter betont.

Figure 1
Abbildung 1: Einarbeitungsphase aller vier statistischen Lernaufgaben. Beispiel-Triplets für jede Aufgabe werden in dieser Abbildung dargestellt. Jeder visuelle Stimulus erschien für 800 ms mit einem 200 ms ISI, und jeder auditive Stimulus wurde für 460 ms mit einem 20 ms ISI gehört. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 2
Abbildung 2: Änderung der Vertrautheit für statistische lernaufgaben der fMRI. Die fMRI-Aufgabe ähnelte der webbasierten Einarbeitungsphase, führte jedoch eine zufällige Sequenz ein, die domänenübergreifend ausgeglichen wurde. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 3
Abbildung 3: Durchschnittliche Genauigkeit des statistischen Lernens (SL) in der webbasierten Aufgabe im Vergleich zu der Zufallsebene. Die Ergebnisse zeigen, dass Personen bei allen vier Aufgaben,**onetailed p < .001, ** < 0.01, * < 0.05, deutlich über dem Zufall ausgeführt wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 4
Abbildung 4: Mittlere Reaktionszeitneigung in der webbasierten Aufgabe gegen Null. Eine negativere Neigung zeigt eine schnellere Beschleunigung in der Zielerkennung während der Einarbeitung an. Die Zielerkennung hat sich im Laufe der Belichtung während der Silbe deutlich verbessert. †einschwanz-p = .07, * < .05. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 5
Abbildung 5: Webbasierte Korrelationen zwischen Aufgaben über alle vier statistischen Lernaufgaben hinweg. (a) Nicht signifikante Werte bei einem Alphawert von 0,05 werden mit einem weißen Hintergrund angezeigt. Alle Vergleiche mit farbigem Hintergrund bezeichnen signifikante Effekte. (b) Stichprobengröße für jeden paarweise Vergleich. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 6
Abbildung 6: Neuronale Aktivierung auf Gruppenebene für strukturierte Blöcke im Vergleich zu zufälligen Blöcken innerhalb jeder Modalität und Domäne. Signifikante Cluster wurden auf voxel-Ebene p < 0,001 und Cluster-Ebene p < 0,05 für jede Aufgabe angeschwellet. Horizontale Slices wurden ausgewählt, um den Cluster mit dem maximalen Z-Wert darzustellen. Die Farbleiste in der unteren, rechten Ecke spiegelt den gleichen Maßstab für alle Diagramme wider. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Zustand Bedeuten Standardabweichung Einschwanz-T-Test
Bild 0.63 0.21 t(17) = 2,64, p = 0,009
Brief 0.66 0.16 t(15) = 3,98, p < 0,001
Ton 0.60 0.15 t(16) = 2,83, p = 0,006
Silbe 0.55 0.1 t(14) = 2,06, p = 0,03

Tabelle 1: Webbasierte Genauigkeit nach Bedingung. Ein-Beispiel-T-Tests stellen Gruppenunterschiede im Vergleich zu 0,5-Chance-Level dar.

Strukturierte Zufällige
Zustand Bedeuten Standardabweichung Bedeuten Standardabweichung Gepaarte Proben T-Test
Bild 468.1 76.04 493.4 60.33 t(27) = -2,01, p = 0,05
Brief 374.72 143.59 502.1 68.75 t(27) = -4,97, p <.001
Ton 426.37 169.10 407.68 162.63 t(26) = 0,67, p = 0,51*
Silbe 589.3 180.95 679.9 55.99 t(26) = -2,51, p = 0,02*
*Ein Motiv hatte zu wenige Tastendrücke, um einen Wert für den Ton oder die Silbe zu berechnen.

Tabelle 2: Unterschiede bei der MRT-Verhaltensleistung bei zufälligen und strukturierten Sequenzen bei allen vier Aufgaben bei Erwachsenen. Paired-Samples t-Tests stellen Gruppenunterschiede beim Erlernen strukturierter und zufälliger Sequenzen dar.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Die im aktuellen Protokoll vorgestellten Methoden bieten ein multimodales Paradigma zum Verständnis der Verhaltens- und neuronalen Indizes des statistischen Lernens im Laufe der Entwicklung. Das derzeitige Design ermöglicht die Identifizierung individueller Unterschiede in der statistischen Lernfähigkeit über Modalitäten und Domänen hinweg, die für die zukünftige Untersuchung des Zusammenhangs zwischen statistischem Lernen und Sprachentwicklung verwendet werden können. Da die statistischen Lernfähigkeiten eines Einzelnen zwischen den Domänen und Modalitätenvariieren 6,8,9, sind, ist es optimal, wenn die Teilnehmer alle vier Aufgaben abschließen. Ergebnisse von typischerweise sich entwickelnden Kindern und Erwachsenen deuten darauf hin, dass die Leistung eines Einzelnen in den Bereichen des statistischen Lernens/-modalitäten differenziert mit dem Wortschatz4 und dem Lesenvon 5,,6 Ergebnissen in Beziehung stehen kann. Daher empfehlen wir, zusätzliche Messgrößen für kognitive und sprachliche Fähigkeiten zu ergreifen, um sich auf die Imaktuellen Protokoll getroffenen Messgrößen des statistischen Lernens zu beziehen.

Die Forschung hat eine angemessene interne Konsistenz und Test-Wiedertest-Zuverlässigkeit dieser statistischen Lernaufgaben für Erwachsene8,42berichtet. Bedenken hinsichtlich der Aufgabenzuverlässigkeit für Kinder42 und eine kürzlich eingänzte Diskussion über allgemeine Messfragen9 deuten jedoch darauf hin, dass dringend Maßnahmen des statistischen Lernens entwickelt werden müssen, die die Entwicklungsmerkmale der Kinder berücksichtigen. Während unsere bisherigen Untersuchungen sowie die vorläufigen Daten aus dem aktuellen Protokoll eine hohe interne Konsistenz für die nichtlinguistischen statistischen Lernaufgaben bei Kindern im schulischen Alter zwischen 8 und 16 Jahren im Alter von6Jahren aufzeigen, bestätigten unsere Untersuchungen auch eine weniger befriedigende Aufgabenzuverlässigkeit, insbesondere im auditiven linguistischen statistischen Lernen, das vor42berichtet wurde. Die Unterschiede in der internen Konsistenz zwischen den Aufgaben sind besonders faszinierend angesichts der jüngsten Erkenntnisse über die Auswirkungen der früheren sprachlichen Erfahrungen eines Lernenden auf statistische Lernergebnisse18,43,44. Die Sprach- und Leseentwicklung verändert sich während der Schuljahre rasant. Die Lernfähigkeit jedes auditiven sprachlichen Triplets kann je nach Entwicklungsstadium und aktuellen Sprachkenntnissen innerhalb jedes Kindes erheblich variieren. Die Kombination unseres Protokolls mit anderen individuellen Differenzmaßnahmen bietet eine spannende Gelegenheit, den kaskadierenden Effekt zwischen vorhandenen Fähigkeiten und anschließendem Lernen zu untersuchen, das der Heterogenität der statistischen Lernleistung im Laufe der Entwicklung zugrunde liegt.

Ein wichtiger Vorteil des aktuellen Designs liegt in seinem Nutzen für die Messung des statistischen Lernens über eine Online-Webplattform. Forscher sollten folgendes beachten, wenn die Genauigkeit der Reaktionszeitmessungen über einen Webbrowser betrachtet wird. de Leeuw und Motz (2016)45 stellten fest, dass die über einen Webbrowser gemessenen Reaktionszeiten etwa 25 ms länger waren als die über eine andere Standarddatenpräsentationssoftware. Wichtig ist, dass diese Verzögerung in allen Versuchen konstant war. Da unser Maß für das Echtzeitlernen in den webbasierten Aufgaben die Neigung der Veränderung der Reaktionszeit ist, wurden die Auswirkungen der Verzögerung der Reaktionszeit durch innerhalb des Subjekts minimiert. de Leeuw (2015)30 hat auch eingeräumt, dass die mit jsPsych gemessene Reaktionszeit durch Faktoren wie die Verarbeitungsgeschwindigkeit des Computers oder die Anzahl der im Hintergrund geladenen Aufgaben beeinflusst werden kann. Um diese Effekte zu minimieren, empfehlen wir, die Reaktionszeit innerhalb jedes einzelnen Teilnehmers zu normalisieren, bevor die Antwortzeitneigung30berechnet wird.

Das aktuelle Protokoll, das robuste Methoden zum Nachweis einer großen Variabilität des Lernverhaltens in Domänen und Modalitäten bietet, wurde entwickelt, um individuelle Unterschiede des statistischen Lernens zu untersuchen. Dieses Protokoll eignet sich jedoch nicht für die Untersuchung von Fragen, z. B. ob visuelles statistisches Lernen von Natur aus einfacher ist als auditives statistisches Lernen. Die Interpretation von Leistungsunterschieden auf Gruppenebene zwischen Den Tasks ist aufgrund all der verwirrenden Faktoren, die wir nicht kontrollieren können, wie z. B. Reizvertrautheit14,43,46,47 , sensorische Salience und Verarbeitungsgeschwindigkeit28. Im Zusammenhang mit der Vertrautheit der Reize ist es gut erwiesen, dass die früheren Erfahrungen eines Individuums mit den Reizen seine statistische Lernleistung beeinflussen können. Darüber hinaus sind die visuellen und auditiven Aufgaben aufgrund von Unterschieden in der Bedeutung der Reize und der Darstellungsrate in diesen Modalitäten schwer direkt zu vergleichen. Daher sind unsere Methoden mit dem Ziel konzipiert, individuelle Unterschiede im statistischen Lernen zu untersuchen. Mit fortgeschrittenen fMRI-Analyseansätzen eignet sich unser Protokoll jedoch für das Studium theoretischer Fragen über die Natur des statistischen Lernens, z. B. können wir uns fragen, welche Gehirnnetzwerke in jedem Bereich empfindlich auf Regelmäßigkeiten reagieren und wie sich die Muster des neuronalen Eingriffs unterscheiden/überlappen.

Das aktuelle Protokoll wurde entwickelt, um kinderfreundlich und leicht zugänglich zu sein, um die Forschung an neurotypischen und atypischen Populationen zu maximieren. Bei der Umsetzung dieses Protokolls mit Kleinkindern oder Menschen mit Entwicklungsstörungen besteht ein entscheidender Schritt darin, Pausen zwischen jeder SL-Aufgabe zu geben, um Müdigkeit zu vermeiden. Jeder Zustand der webbasierten Aufgaben kann individuell verbreitet werden, um kognitive Anforderungen zu lindern. Vor dem Scannen kann der Mock-Scanner verwendet werden, um Kinderangst und Kopfbewegung in Vorbereitung auf die reale fMRI-Aufgabe zu reduzieren. Ein weiteres Problem, das Forscher wissen sollte, bezieht sich auf ein allgemeines Anliegen bei der Durchführung einer Neuroimaging-Studie: Bewegung. Eine Rotationskopfbewegung von nur 0,3 mm kann dazu führen, dass sich Artefakte manifestieren. Um die Wahrscheinlichkeit von Bewegungsartefakten zu minimieren, hat das aktuelle Protokoll jeden Durchlauf auf weniger als 5 Minuten48beschränkt. Die Teilnehmer sollten ermutigt werden, während jedes 5-Minuten-Laufs still zu bleiben, aber zwischen den Läufen bewegen oder dehnen zu dürfen, um die Bewegung während des eigentlichen Scannens zu reduzieren. Wir empfehlen auch strenge Datenanalysetechniken, um bewegungsbezogene Artefakte auf den fMRI-Daten zu korrigieren49.

Angesichts des kritischen Beitrags der statistischen Lernfähigkeit zum späteren Spracherwerb ist es notwendig, umfassendere und zuverlässigere Maßnahmen zu entwickeln, die sowohl das Echtzeit- als auch das Offline-Lernen statistischer Regelmäßigkeiten bewerten. Der aktuelle Vorschlag ist ein erster Schritt, um zu abarbeiten, wie individuelle Unterschiede in der statistischen Lernfähigkeit auf der Grundlage von Domänen/Modalität Für Unterschiede in späteren Sprachergebnissen verantwortlich sein können.

Das aktuelle Protokoll, das robuste Methoden zum Nachweis einer großen Variabilität des Lernverhaltens in Domänen und Modalitäten bietet, wurde entwickelt, um individuelle Unterschiede des statistischen Lernens zu untersuchen. Dieses Protokoll eignet sich jedoch nicht für die Untersuchung von Fragen, z. B. ob visuelles statistisches Lernen von Natur aus einfacher ist als auditives statistisches Lernen. Die Interpretation von Leistungsunterschieden auf Gruppenebene zwischen den Aufgaben ist aufgrund all der verwirrenden Faktoren, die wir nicht kontrollieren können, schwierig.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts zu verraten.

Acknowledgments

Wir danken Yoel Sanchez Araujo und Wendy Georgan für ihren Beitrag zum ersten Design der webbasierten Plattform. Wir danken An Nguyen und Violet Kozloff für ihre Arbeit zur Verbesserung der webbasierten statistischen Lernaufgaben, zur Umsetzung der fMRI-Aufgaben und zur Pilotierung der Aufgaben bei erwachsenen Teilnehmern. Wir danken Violet Kozloff und Parker Robbins für ihren Beitrag zur Unterstützung der Datenerfassung bei Kindern. Wir danken Ibrahim Malik, John Christopher, Trevor Wigal und Keith Schneider vom Center for Biological and Brain Imaging der University of Delaware für ihre Unterstützung bei der Datenerfassung von Neuroimaging. Diese Arbeit wird zum Teil vom National Institute on Deafness and other Communication Disorders (PI: Qi; NIH 1R21DC017576) und der National Science Foundation Directorate for Social, Behavioral & Economic Sciences (PI: Schneider, Co-PI: Qi & Golinkoff; NSF 1911462).

Materials

Name Company Catalog Number Comments
4 Button Inline Response Device Cambridge Research Systems SKU: N1348 An fMRI reponse pad used for measuring in-scanner response time
Short/Slim Canal Tips Comply Foam SKU: 40-15028-11 Short & slim in-ear canal tips are recommended for children to protect hearing and allow for them to hear the stimuli while in the scanner.
jsPsych jsPsych https://www.jspsych.org/ jsPsych is a JavaScript library for running behavioral experiments in a web browser.
Speech Synthesizer Praat Version 6.1.14 This program is an artificial speech synthesizer which was used to create the syllable stimuli.
Web-based statistical learning tasks Zenodo http://doi.org/10.5281/zenodo.3820620 (2020). All web-based statistical learning tasks are available for free access on Zenodo.

DOWNLOAD MATERIALS LIST

References

  1. Saffran, J. R., Newport, L. L., Aslin, R. N. Word Segmentation: The Role of Distributional Cues. Journal of Memory and Language. 35, 606-621 (1996).
  2. Newman, R., Ratner, N. B., Jusczyk, A. M., Jusczyk, P. W., Dow, K. A. Infants' early ability to segment the conversational speech signal predicts later language development: A retrospective analysis. Developmental Psychology. 42 (4), 643-655 (2006).
  3. Graf Estes, K., Gluck, S. C. W., Grimm, K. J. Finding patterns and learning words: Infant phonotactic knowledge is associated with vocabulary size. Journal of Experimental Child Psychology. 146, 34-49 (2016).
  4. Evans, J. L., Saffran, J. R., Robe-Torres, K. Statistical Learning in Children With Specific Language Impairment. Journal of Speech, Language, and Hearing Research. 52 (2), 321-335 (2009).
  5. Arciuli, J., Simpson, I. C. Statistical Learning Is Related to Reading Ability in Children and Adults. Cognitive Science. 36 (2), 286-304 (2012).
  6. Qi, Z., Sanchez Araujo, Y., Georgan, W. C., Gabrieli, J. D. E., Arciuli, J. Hearing Matters More Than Seeing: A Cross-Modality Study of Statistical Learning and Reading Ability. Scientific Studies of Reading. 23 (1), 101-115 (2019).
  7. Walenski, M., Tager-Flusberg, H. B., Ullman, M. T. Language in autism. Understanding autism: From Basic Neuroscience to Treatment. Moldin, S. O., Rubenstein, J. L. R. , Taylor and Francis Books. Boca Raton. 175-203 (2006).
  8. Siegelman, N., Frost, R. Statistical learning as an individual ability: Theoretical perspectives and empirical evidence. Journal of Memory and Language. 81, 105-120 (2015).
  9. Erickson, L. C., Kaschak, M. P., Thiessen, E. D., Berry, C. A. S. Individual Differences in Statistical Learning: Conceptual and Measurement Issues. Collabra. 2 (1), 14 (2016).
  10. Shufaniya, A., Arnon, I. Statistical Learning Is Not Age-Invariant During Childhood: Performance Improves With Age Across Modality. Cognitive Science. 42 (8), 3100-3115 (2018).
  11. Qi, Z., et al. An online platform for visual and auditory statistical learning for school-aged children (Version 1.0.0). Zenodo. , (2020).
  12. Conway, C. M., Christiansen, M. H. Statistical learning within and between modalities: Pitting abstract against stimulus-specific representations. Psychological Science. 17 (10), 905-912 (2006).
  13. Saffran, J. R., Johnson, E. K., Aslin, R. N., Newport, E. L. Statistical learning of tone sequences by human infants and adults. Cognition. 70 (1), 27-52 (1999).
  14. Siegelman, N., Bogaerts, L., Elazar, A., Arciuli, J., Frost, R. Linguistic entrenchment: Prior knowledge impacts statistical learning performance. Cognition. 177, 198-213 (2018).
  15. Armstrong, B. C., Frost, R., Christiansen, M. H. The long road of statistical learning research: past, present and future. Philosophical Transactions of the Royal Society B: Biological Sciences. 372 (1711), 20160047 (2017).
  16. Siegelman, N., Bogaerts, L., Christiansen, M. H., Frost, R. Towards a theory of individual differences in statistical learning. Transactions of the Royal Society B. 372 (1711), 20160059 (2017).
  17. Krogh, L., Vlach, H. A., Johnson, S. P. Statistical Learning Across Development: Flexible Yet Constrained. Frontiers in Psychology. 3, 598 (2013).
  18. Siegelman, N., Bogaerts, L., Elazar, A., Arciuli, J., Frost, R. Linguistic entrenchment: Prior knowledge impacts statistical learning performance. Cognition. 177, 198-213 (2018).
  19. Plante, E., Patterson, D., Dailey, N. S., Kyle, R. A., Fridriksson, J. Dynamic changes in network activations characterize early learning of a natural language. Neuropsychologia. 62 (1), 77-86 (2014).
  20. Milne, A. E., Wilson, B., Christiansen, M. H., Petkov, C., Marslen-Wilson, W. Structured sequence learning across sensory modalities in humans and nonhuman primates This review comes from a themed issue on The evolution of language. Current Opinion in Behavioral Sciences. 21, 39-48 (2018).
  21. Mcnealy, K., Mazziotta, J., Dapretto, M. Cracking the Language Code: Neural Mechanisms Underlying Speech Parsing. Journal of Neuroscience. 26 (29), 7629-7639 (2006).
  22. McNealy, K., Mazziotta, J. C., Dapretto, M. Age and experience shape developmental changes in the neural basis of language-related learning. Developmental Science. 14 (6), 1261-1282 (2011).
  23. Karuza, E. A., Emberson, L. L., Aslin, R. N. Combining fMRI and behavioral measures to examine the process of human learning. Neurobiology of Learning and Memory. 109, 193-206 (2014).
  24. Petersen, S. E., Dubis, J. W. The mixed block/event-related design. NeuroImage. 62 (2), 1177-1184 (2012).
  25. Batterink, L. J., Paller, K. A., Reber, P. J. Understanding the Neural Bases of Implicit and Statistical Learning. Topics in Cognitive Science. 11, 482-503 (2019).
  26. Boersma, P., Weenink, D. Praat: doing phonetics by computer [Computer program]. Version 601014. , (2020).
  27. Boersma, P. Praat, a system for doing phonetics by computer. Glot International. 5 (9), 341-345 (2001).
  28. Conway, C. M., Christiansen, M. H. Seeing and hearing in space and time: Effects of modality and presentation rate on implicit statistical learning. European Journal of Cognitive Psychology. 21 (4), 561-580 (2009).
  29. Emberson, L. L., Conway, C. M., Christiansen, M. H. Timing is everything: Changes in presentation rate have opposite effects on auditory and visual implicit statistical learning. Quarterly Journal of Experimental Psychology. 64 (5), 1021-1040 (2011).
  30. de Leeuw, J. R. jsPsych: A JavaScript library for creating behavioral experiments in a Web browser. Behavior Research Methods. 47 (1), 1-12 (2015).
  31. Kana, R. K., et al. Probing the brain in autism using fMRI and diffusion tensor imaging. Journal of Visualized Experiments. (55), e3178 (2011).
  32. Casey, B. J., et al. The Adolescent Brain Cognitive Development (ABCD) study: Imaging acquisition across 21 sites. Developmental Cognitive Neuroscience. 32, 43-54 (2018).
  33. Gorgolewski, K. J., et al. The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Scientific Data. 3 (1), 1-9 (2016).
  34. Halchenko, Y. nipy/heudiconv v0.6.0 (Version v0.6.0). Zenodo. , (2019).
  35. Esteban, O., et al. FMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16, 111-116 (2019).
  36. Esteban, O., et al. Analysis of task-based functional MRI data preprocessed with fMRIPrep. bioRxiv. , 694364 (2020).
  37. Cox, R. W. AFNI: Software for analysis and visualization of functional magnetic resonance neuroimages. Computers and Biomedical Research. 29 (3), 162-173 (1996).
  38. Avants, B. B., et al. A reproducible evaluation of ANTs similarity metric performance in brain image registration. NeuroImage. 54 (3), 2033-2044 (2011).
  39. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis: I. Segmentation and surface reconstruction. NeuroImage. 9 (2), 179-194 (1999).
  40. Woolrich, M. W., et al. Bayesian analysis of neuroimaging data in FSL. NeuroImage. 45, 1 Suppl 173-186 (2009).
  41. Klein, A., et al. Mindboggling morphometry of human brains. PLoS Computational Biology. 13 (2), 1005350 (2017).
  42. Arnon, I. Do current statistical learning tasks capture stable individual differences in children? An investigation of task reliability across modality. Behavior Research Methods. 52 (1), 68-81 (2020).
  43. Finn, A. S., Hudson Kam, C. L. The curse of knowledge: First language knowledge impairs adult learners' use of novel statistics for word segmentation. Cognition. 108 (2), 477-499 (2008).
  44. Krogh, L., Vlach, H. A., Johnson, S. P. Statistical learning across development: Flexible yet constrained. Frontiers in Psychology. 3, 598 (2013).
  45. De Leeuw, J. R., Motz, B. A. Psychophysics in a Web browser? Comparing response times collected with JavaScript and Psychophysics Toolbox in a visual search task. Behavior Research Methods. 48, 1-12 (2016).
  46. Lew-Williams, C., Saffran, J. R. All words are not created equal: Expectations about word length guide infant statistical learning. Cognition. 122 (2), 241-246 (2012).
  47. Poulin-Charronnat, B., Perruchet, P., Tillmann, B., Peereman, R. Familiar units prevail over statistical cues in word segmentation. Psychological Research. 81 (5), 990-1003 (2017).
  48. Leonard, J., Flournoy, J., Lewis-de los Angeles, C. P., Whitaker, K. How much motion is too much motion? Determining motion thresholds by sample size for reproducibility in developmental resting-state MRI. Research Ideas and Outcomes. 3, 12569 (2017).
  49. Power, J. D., et al. Ridding fMRI data of motion-related influences: Removal of signals with distinct spatial and physical bases in multiecho data. Proceedings of the National Academy of Sciences of the United States of America. 115 (9), 2105-2114 (2018).

Tags

Neurowissenschaften Ausgabe 160 Statistisches Lernen webbasiert fMRI Bereich Modalität Kinder
Messung des statistischen Lernens über Modalitäten und Domänen in Kindern im schulalterten Alter über eine Online-Plattform und Neuroimaging-Techniken
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Schneider, J. M., Hu, A., Legault,… More

Schneider, J. M., Hu, A., Legault, J., Qi, Z. Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques. J. Vis. Exp. (160), e61474, doi:10.3791/61474 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter