Waiting
Login processing...

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

Neuroscience

Medición del aprendizaje estadístico a través de modalidades y dominios en niños en edad escolar a través de una plataforma en línea y técnicas de neuroimagen

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

Summary

Aquí se presenta un protocolo que introduce un conjunto de tareas de aprendizaje estadístico amigables con los niños orientadas a examinar el aprendizaje de los niños de patrones estadísticos temporales en todos los dominios y modalidades sensoriales. Las tareas desarrolladas recopilan datos de comportamiento utilizando la plataforma basada en la web y datos de imágenes de resonancia magnética funcional (fMRI) basadas en tareas para examinar la interacción neuronal durante el aprendizaje estadístico.

Abstract

El aprendizaje estadístico, una habilidad fundamental para extraer regularidades en el medio ambiente, a menudo se considera un mecanismo de apoyo básico del primer desarrollo del lenguaje. Si bien muchos estudios de aprendizaje estadístico se llevan a cabo dentro de un único dominio o modalidad, la evidencia reciente sugiere que esta habilidad puede diferir en función del contexto en el que se presentan los estímulos. Además, pocos estudios investigan el aprendizaje a medida que se desarrolla en tiempo real, más bien centrándose en el resultado del aprendizaje. En este protocolo, describimos un enfoque para identificar la base cognitiva y neuronal del aprendizaje estadístico, dentro de un individuo, entre dominios (linguístico frente a no linguístico) y modalidades sensoriales (visuales y auditivas). Las tareas están diseñadas para lanzar la menor demanda cognitiva posible a los participantes, por lo que es ideal para niños jóvenes en edad escolar y poblaciones especiales. La naturaleza basada en la web de las tareas conductuales ofrece una oportunidad única para llegar a poblaciones más representativas a nivel nacional, estimar tamaños de efectos con mayor precisión y contribuir a la investigación abierta y reproducible. Las medidas neuronales proporcionadas por la tarea de resonancia magnética funcional (fMRI) pueden informar a los investigadores sobre los mecanismos neuronales involucrados durante el aprendizaje estadístico, y cómo estos pueden diferir entre individuos sobre la base de dominio o modalidad. Por último, ambas tareas permiten la medición del aprendizaje en tiempo real, ya que se realiza un seguimiento de los cambios en el tiempo de reacción a un estímulo objetivo a lo largo del período de exposición. La principal limitación del uso de este protocolo se relaciona con la duración de una hora del experimento. Es posible que los niños necesiten completar las cuatro tareas de aprendizaje estadístico en varias sesiones. Por lo tanto, la plataforma basada en la web está diseñada teniendo en cuenta esta limitación para que las tareas puedan difundirse individualmente. Esta metodología permitirá a los usuarios investigar cómo se desarrolla el proceso de aprendizaje estadístico a través y dentro de los dominios y modalidades en niños de diferentes orígenes del desarrollo.

Introduction

El aprendizaje estadístico es una habilidad elemental que apoya la adquisición de combinaciones gobernadas por reglas en las entradas de idioma1. La capacidad de aprendizaje estadístico exitosa en bebés predice el éxito posterior del aprendizaje de idiomas2,,3. La variabilidad en las habilidades de aprendizaje estadístico en niños en edad escolar también se ha asociado con el vocabulario4 y la lectura5,6. La dificultad en el aprendizaje estadístico se ha propuesto como un mecanismo etiológico subyacente al deterioro del lenguaje7. A pesar de la asociación entre el aprendizaje estadístico y los resultados del lenguaje en poblaciones neurotípicas y atípicas, los mecanismos cognitivos y neuronales subyacentes al aprendizaje estadístico siguen siendo poco comprendidos. Además, la literatura anterior ha revelado que, dentro de un individuo, la capacidad de aprendizaje estadístico no es uniforme sino independiente en todos los dominios y modalidades6,,8,,9. La trayectoria de desarrollo de las capacidades de aprendizaje estadístico puede variar aún más entre dominios y modalidades10. Estos hallazgos enfatizan la importancia de evaluar las diferencias individuales en el aprendizaje estadístico en múltiples tareas a lo largo del desarrollo. Sin embargo, el campo requiere primero una investigación más sistemática de la relación entre el aprendizaje estadístico y el desarrollo del primer lenguaje. Para abordar estas preguntas, aplicamos métodos innovadores, incluida una plataforma de pruebas basada en la web11 que llega a un gran número de niños, y técnicas de neuroimagen basadas en laboratorio (imágenes de resonancia magnética funcional o fMRI) que examinan la codificación en tiempo real de la información estadística.

Las medidas estándar del aprendizaje estadístico comienzan con una fase de familiarización y son seguidas por una tarea de opción forzada de dos alternativas (2-AFC)12,,13. La fase de familiarización introduce un flujo continuo de estímulos incrustados con regularidades estadísticas, donde algunos estímulos son más propensos a coexistir que otros. La presentación de estos estímulos co-ocurrentes sigue un orden temporal fijo. Los participantes se exponen pasivamente a la secuencia durante la fase de familiarización, seguida de una tarea 2-AFC que comprueba si el participante extrajo correctamente los patrones. La tarea de precisión 2-AFC presenta dos secuencias consecutivas: una secuencia se ha presentado al participante durante la fase de familiarización, mientras que la otra es una secuencia novedosa o contiene parte de la secuencia. La precisión por encima de la probabilidad en el 2-AFC indicaría un aprendizaje exitoso a nivel de grupo. Las tareas de comportamiento tradicionales que evalúan el aprendizaje estadístico generalmente se basan en la precisión como la medida final del aprendizaje. Sin embargo, la precisión no tiene en cuenta el aprendizaje natural de la información a medida que se desarrolla en el tiempo. Una medida de aprendizaje en tiempo real es necesaria para aprovechar el proceso de aprendizaje implícito del aprendizaje estadístico durante el cual los niños todavía están codificando las regularidades de las entradas14,15,16. Se han desarrollado varias adaptaciones a través de paradigmas en un esfuerzo por alejarse de la medida 2-AFC, hacia medidas de aprendizaje en línea a través de respuestas conductuales durante la exposición16. Los estudios que utilizan estas adaptaciones que miden el tiempo de reacción durante la fase de exposición encontraron que estaban relacionados con la precisión posterior al aprendizaje17 con una mejor fiabilidad de la prueba-reprueba en comparación con la precisión en los estudiantes adultos18.

Las medidas neuronales también son fundamentales para nuestra comprensión de cómo se desarrolla el aprendizaje con el tiempo, ya que el proceso implícito por el cual se produce el aprendizaje de idiomas probablemente recluta diferentes recursos neuronales de los utilizados una vez que se aprende el lenguaje19. Las medidas neuronales también proporcionan información sobre las diferencias en las especializaciones cognitivas subyacentes a la capacidad del lenguaje entre poblaciones especiales20. La forma en que se diseña el contraste de la condición en un estudio de fMRI es crucial para cómo interpretamos los patrones de activación neuronal durante el aprendizaje. Una práctica común es comparar las respuestas cerebrales durante la fase de familiarización entre secuencias que contienen patrones regulares frente a aquellos que contienen los mismos estímulos que se ordenan aleatoriamente. Sin embargo, investigaciones anteriores que implementan una condición de control aleatorio no encontraron evidencia para el aprendizaje en el comportamiento, a pesar de las diferencias neuronales entre secuencias estructuradas y aleatorias. Esto podría deberse a la interferencia de secuencias aleatorias en el aprendizaje de secuencias estructuradas, ya que ambas fueron construidas a partir de los mismos estímulos21,22. Otros estudios fMRI que utilizaron el habla atrasada o bloques de aprendizaje anteriores como la condición de control confirmó que el aprendizaje tuvo lugar conductualmente19,,23. Sin embargo, cada uno de estos paradigmas introdujo su propio factor de confusión, como el efecto del procesamiento del lenguaje para el primer caso y el efecto del orden experimental para este último caso. Nuestro paradigma utiliza la secuencia aleatoria como condición de control, pero mitiga su interferencia en el aprendizaje de los participantes de las secuencias estructuradas. Nuestro paradigma fMRI también implementa un diseño mixto relacionado con bloques/eventos, que permite el modelado simultáneo de señales BOLD relacionadas con pruebas transitorias y sostenidas24. Por último, y más ampliamente, las medidas neuronales permiten la medición del aprendizaje en poblaciones donde la provocación de una respuesta conductual explícita puede ser difícil (por ejemplo, poblaciones especiales y de desarrollo)25.

El protocolo actual adopta una medida de tiempo de respuesta, además de las medidas de precisión tradicionales, y examina la activación cerebral durante la fase de familiarización. La combinación de estos métodos tiene como objetivo proporcionar un conjunto de datos enriquecido para la investigación de procesos de aprendizaje en tiempo real. La plataforma basada en la web ofrece un conjunto de medidas de aprendizaje al incluir tanto el tiempo de respuesta durante la fase de exposición como la precisión de la tarea 2-AFC durante la fase de prueba. El protocolo de neuroimagen permite la investigación de los mecanismos neuronales subyacentes que apoyan el aprendizaje estadístico en todos los dominios y modalidades. Si bien es óptimo medir el aprendizaje estadístico dentro de un individuo utilizando los protocolos basados en la web y fMRI, las tareas están diseñadas para que puedan ser difundidas de forma independiente, y por lo tanto, como dos medidas independientes de aprendizaje estadístico. Los experimentos fMRI incluidos en el protocolo actual pueden ayudar a aclarar cómo la codificación de estímulo, la extracción de patrones y otros componentes constitutivos del aprendizaje estadístico están representados por determinadas regiones y redes cerebrales.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Todos los participantes dieron su consentimiento por escrito para participar y el estudio se llevó a cabo de conformidad con la Junta de Revisión Institucional.

1. Visión general del paradigma de aprendizaje estadístico utilizado en el protocolo basado en la web

  1. Incluya cuatro tareas en el paradigma actual: imagen (visual-no linguística), letra (visual-linguística), tono (auditivo-no linguístico) y sílaba (auditivo-linguístico).
    1. Construir estímulos para tareas visuales utilizando 12 imágenes de dibujos animados alienígenas independientes (imagen) y 12 imágenes de letras (carta; B, J, K, A, H, C, F, E, J, G, D, M) mostrando el mismo extranjero sosteniendo 12 signos con letras mayúsculas escritas en ellos.
    2. Construir estímulos auditivos usando 12 sílabas inglesas (syllable; pi,pu,pa,ti,tu.ta,di,du,da,bi,bu,ba) y 12 tonos musicales dentro de la misma octava (tono; F,G,D,G,C,C,C,F-,D-,E,A,A-). Los estímulos de sílaba se pueden hacer utilizando un sintetizador de voz artificial, y se pueden grabar como archivos separados en Praat26,27.
  2. En la fase de familiarización, presente estímulos en una secuencia estructurada (véase la figura 1). Los comentarios no se proporcionan en ningún momento durante la fase de familiarización o prueba.
    NOTA: Dentro de cada tarea, una fase de familiarización es seguida inmediatamente por una fase de prueba.
    1. Para la tarea Imagen (visual-nolinguística), estructura 12 imágenes en cuatro trillizos de destino. En la fase de familiarización, repita cada uno de los cuatro trillizos objetivo 24 veces para un total de 96 trillizos.
      NOTA: Los 96 trillizos se concatenan aleatoriamente en una secuencia continua, con la restricción de que no se puede repetir inmediatamente ningún triplete. Las imágenes se presentan una a la vez en el centro de la pantalla. Cada imagen se presenta para 800 ms con 200 ms de intervalo de interestimulo. Toda la fase de familiarización durará 4 min 48 s.
    2. Asegúrese de que la fase de prueba siempre sigue la fase de familiarización y se compone de 32 preguntas de opción forzada de dos alternativas (2AFC). Para cada pregunta, incluya 2 opciones: un triplete objetivo de la fase de familiarización y un triplete que no se incluyó en la fase de familiarización, denominado triplete de lámina.
      NOTA: Los trillizos de lámina se construyen de modo que la posición relativa de cada imagen en el triplete de papel de aluminio sea la misma que la del triplete objetivo. Cada triplete objetivo y lámina se presentan 8 veces en total en una prueba, y cada par de láminas de objetivo se repite. La fase de prueba consta de 32 (4 trillizos objetivo x 4 trillizos de lámina x 2 repeticiones) ensayos ordenados aleatoriamente.
    3. Para la tarea de letra (visual-linguística) incluir 12 imágenes de letras en mayúsculas que están organizadas en cuatro trillizos de destino (GJA, FKC, LBE y MDH).  Para la fase de prueba, cree 4 trillizos de lámina (GDE, FJH, LKA y MBC) y empareje con los trillizos objetivo para formar los 32 ensayos de prueba 2AFC. Ningún triplete de letras puede contener palabras, acrónimos comunes o inicialismos.
    4. Para la tarea de tono (auditivo-nolinguístico) incluir 12 tonos musicales puros dentro de la misma octava (una escala cromática completa a partir de C media) y concatenarlos en cuatro trillizos de destino (F-DE, ABC, C-A-F, y GD-G). A diferencia de las tareas visuales, la velocidad de presentación es más rápida debido a las diferencias en la preferencia perceptiva auditiva6,28,29.
      NOTA: Cada uno de los cuatro trillizos objetivo se repite 48 veces para un total de 192 trillizos (el doble que las condiciones visuales). Todos los trillizos se concatenan en una secuencia de sonido sin que el triplete se repita dos veces seguidas. Los tonos puros se presentan uno a la vez mientras los participantes ven una pantalla en blanco. La duración de cada tono es de 460 ms con un intervalo de interestimulo de 20 ms. Toda la corriente dura alrededor de 4 min y 36 s. Al igual que en las tareas visuales, una fase de prueba de 32 ensayos 2AFC con pares de trillizos de objetivo y lámina (F-BF, AA-G, C-D-E, GDC) sigue inmediatamente a la fase de familiarización.
    5. Para la tarea de sílaba (auditivo-linguístico) utilice 12 sílabas de vocales consonantes (CV) creadas y agrupadas en cuatro trillizos objetivo (pa-bi-ku, go-la-tu, da-ro-pi y ti-bu-do). La duración de cada sílaba y el intervalo de interestimulo es la misma que la condición del tono. Empareja cuatro trillizos de lámina (pa-ro-do, go-bu-ku, da-bi-tu y ti-la-pi) con los trillizos objetivo en la fase de prueba.
  3. Aleatorizar el orden de las cuatro tareas de aprendizaje estadístico entre los participantes.

2. Reclutamiento de participantes

NOTA: Si bien el protocolo basado en web y el protocolo fMRI se implementan mejor juntos dentro de un solo participante, aquí describimos las mejores prácticas para el reclutamiento de participantes para cada tarea de forma independiente.

  1. Reclutamiento de participantes basado en la Web
    1. Reclutar participantes de 6 años o más. Los participantes de cualquier sexo, raza y etnia pueden participar; sin embargo, la muestra del estudio debe ser representativa de la población.
    2. Recluta a participantes que sean nativos hablan inglés y que hayan estado expuestos a ningún idioma además del inglés antes de los 5 años.
    3. Asegúrese de que no reportan ningún tipo de enfermedad psicológica conocida (incluyendo TDA, depresión, TEPT y ansiedad clínica) y/o condición neurológica (incluyendo accidente cerebrovascular, convulsiones, tumor cerebral o lesión de la cabeza cerrada).
    4. Asegúrese de que los participantes tengan una visión normal o corregida a normal (gafas o contactos están bien), visión del color normal y audición normal (sin audífonos ni dispositivos de implante coclear).
  2. Contratación de participantes de fMRI basada en tareas
    1. Reclutar participantes de 6 años o más. Los participantes de cualquier sexo, raza y etnia pueden participar; sin embargo, la muestra del estudio debe ser representativa de la población.
    2. Para ser elegible, recluta participantes que sean nativos de inglés y nunca hayan estado expuestos a ningún idioma además del inglés antes de los 5 años.
    3. Recluta a personas diestros, sin necesidad de contraparten por cuenta acciones (incluyendo TDA, depresión, tepticos y ansiedad clínica) y afección neurológica (incluyendo accidente cerebrovascular, convulsiones, tumor cerebral o lesión cerrada en la cabeza).
    4. Excluir a los participantes que estén embarazadas, claustrofóbicas, tomando drogas psicoactivas o que tengan cualquier metal en el cuerpo (incluyendo marcapasos, implantes neuronales, placas o articulaciones de metal, metralla y grapas quirúrgicas).
    5. Asegúrese de que los participantes tengan una visión normal o corregida a normal (gafas o contactos están bien), visión del color normal y audición normal (sin audífonos ni dispositivos de implante coclear).
    6. Determine la elegibilidad para participar en la RMN haciendo que los participantes (o padres si el participante es menor de edad) completen un Formulario de detección de seguridad de RMN.

3. Protocolo basado en web

NOTA: El paradigma de aprendizaje estadístico basado en la web está alojado en un sitio web seguro (https://www.cogscigame.co11) y desarrollado utilizando jsPsych, una biblioteca JavaScript para crear experimentos de comportamiento en línea30.

  1. Para reproducir tareas, vaya a DOI: 10.5281/zenodo.3820620. Todos los guiones y materiales están disponibles públicamente. Los investigadores pueden modificar los scripts y ejecutar los experimentos localmente en cualquier navegador web, siempre y cuando todas las rutas de los archivos de salida se configuren correctamente.
  2. Pida a los participantes que completen una tarea de cobertura en la que se les diga que presionen un botón cuando vean un determinado objetivo durante todas las fases de familiarización de cada tarea de aprendizaje estadístico.
  3. Asignación de estímulo objetivo para cada tarea
    1. En las tareas de imagen, letra y sílaba, elija al azar uno de los cuatro trillizos y asigne el objetivo al tercer estímulo del triplete. En la tarea de tono, limita el estímulo objetivo a solo los tonos más bajos o más altos del tercer estímulo en los trillizos, y asigna el objetivo al tercer estímulo del triplete. Esto se hace porque los estímulos de tono son relativamente más difíciles de discriminar que otros tipos de estímulos.
    2. En las tareas de sílaba y tono, introduce a los participantes a un alienígena y la palabra/nota favorita en su idioma alienígena/música popular. Diga a los participantes que escucharán el idioma/música del alienígena y que recuerden presionar la barra espaciadora cada vez que escuchen la palabra/nota favorita" eliminando el espacio entre / y nota.
    3. En la tarea de imagen, diga a los participantes que realicen un seguimiento de un alienígena especial mientras un grupo de extraterrestres se alinean para entrar en una nave espacial. En la tarea de la carta, dígales a los participantes que rastreen el letrero favorito del alienígena mientras el alienígena sostiene carteles para un desfile. Ofrezca a los participantes una prueba de práctica tanto en las tareas de imagen como en las tareas de letras.
    4. No proporcione instrucciones explícitas sobre la presencia de trillizos.
    5. Mida el tiempo de respuesta durante los 24 ensayos en las tareas visuales y durante los 48 ensayos en las tareas auditivas para evaluar el aprendizaje en línea.
    6. Durante la fase de prueba, se presentan al participante un objetivo (incluido en la fase de familiarización) y un triplete de papel de aluminio (no incluido en la fase de familiarización). Indique a los participantes que luego elijan cuál de los dos es más similar a lo que vieron u escucharon en la fase de familiarización. Cada ensayo debe terminar con una respuesta.
  4. Medidas conductuales del aprendizaje estadístico en el protocolo basado en la web
    1. Mida el aprendizaje en tiempo real durante la fase de familiarización a través de la pendiente lineal del tiempo de reacción (cambio en el tiempo de reacción a lo largo de la fase de familiarización).
    2. Para ser considerado una respuesta válida al objetivo, compruebe que la pulsación de tecla debe estar en la ventana de tiempo de un estímulo antes y un estímulo después del estímulo objetivo. Es decir, -480 ms a +960 ms en relación con el inicio del objetivo en las tareas auditivas y -1000 ms a +2000 ms en las tareas visuales. Una pulsación de tecla antes del objetivo se considera como anticipación y, por lo tanto, produce un tiempo de reacción negativo.
    3. Para comparar los tiempos de reacción entre las condiciones, transforma los tiempos de reacción de cada participante para cada tarea en puntuaciones z. Esto normaliza los tiempos de reacción de un individuo para que se puedan comparar las puntuaciones entre las tareas.
    4. Calcule una pendiente de tiempo de reacción de cada participante para cada condición utilizando la regresión lineal. Introduzca los tiempos de reacción de z-normed como la variable dependiente y el orden de prueba de destino como la variable independiente (visual: 1 a 24; auditivo: 1 a 48). La pendiente de la línea de regresión lineal (Coeficiente/Estimación Beta) es la pendiente de tiempo de reacción (pendiente RT).
    5. Mida la precisión fuera de línea de cada participante para cada condición dividiendo el número de ensayos correctos de la fase de prueba por el número total de ensayos (32 ensayos).

4. Protocolo fMRI basado en tareas

  1. Modificaciones del paradigma de aprendizaje estadístico (Figura 2).
    1. Para cada tarea, presente una secuencia estructurada (que contenga regularidades estadísticas) y una secuencia aleatoria (sin regularidades estadísticas).
      NOTA: Las secuencias estructuradas son idénticas a las descritas para el protocolo basado en web (consulte la figura 1). Por el contrario, las secuencias aleatorias contienen los mismos 12 estímulos que se presentan en las secuencias estructuradas, pero se ordenan pseudoaleatoriamente. No se repiten combinaciones de tres estímulos más de una vez.
    2. Divida cada secuencia en seis bloques más pequeños de igual longitud (24 estímulos para las tareas visuales y 48 estímulos para las tareas auditivas).
    3. Concatenar tres bloques estructurados, 3 bloques aleatorios y 6 bloques de reposo (silencio con una pantalla en blanco) en un orden pseudoaleatorio para crear cuatro corridas de estímulos auditivos y cuatro corridas de estímulos visuales. Para maximizar el aprendizaje de las secuencias estructuradas, asegúrese de que los bloques aleatorios de cada ejecución contienen un dominio diferente de la secuencia estructurada (por ejemplo, las secuencias estructuradas de sílaba se presentan junto con secuencias aleatorias de tono en una ejecución, y las secuencias aleatorias de sílaba se presentan junto con secuencias estructuradas de tono en otra ejecución).
    4. Incluya 288 imágenes que se presentarán en cada ejecución para la tarea visual que dura aproximadamente 4,77 min. Incluya 576 sonidos que se presentarán en la tarea auditiva que dura aproximadamente 4,42 min. Al principio de cada bloque, presente una señal sobre el objetivo con un sondeo verbal y visual: "Ahora escuche /busque el [TARGET]".
    5. Entre las cuatro ejecuciones de la tarea visual, asegúrese de que dos contienen secuencias estructuradas de imágenes y las otras dos contienen secuencias estructuradas de letras. Entre las cuatro ejecuciones de la tarea auditiva, asegúrese de que dos contienen secuencias estructuradas de sílabas y las otras dos contienen secuencias estructuradas de tonos.
  2. procedimiento de aprendizaje estadístico fMRI
    1. Para ayudar a que los participantes, especialmente los niños, se sientan cómodos en el escáner, practique primero la sesión de escaneo de RMN utilizando un escáner simulado31. Un escáner simulado proporciona una experiencia naturalista similar a la sesión de escaneo real, pero normalmente se encuentra en un entorno más amigable para los niños.
    2. Primero presente al niño en el escáner simulado, es decir, con la cámara cerebral, y asegúrese de que se sienta cómodo antes de ponerlo en el escáner.
    3. Preséntelos a su "scan-buddy" y explícales que el propósito del compañero de escaneo es mantenerlos acompañados y ayudarlos si necesitan algo. El compañero de escaneo le recordará suavemente al participante que se mantenga quieto si la "cámara" detecta demasiado movimiento.
    4. Una vez que estén en el escáner, reproducir videos amigables para los niños para ayudarles a aclimatarse al sonido y el video. Cuando estén listos, reproduzca algunos clips de sonido de escáner pregrabados para prepararlos para los ruidos producidos por la resonancia magnética real. Durante este tiempo que practiquen quedarse quietos y trabajar con el compañero de exploración.
    5. Introducir a los niños en el paradigma de aprendizaje estadístico y hacer que practiquen fuera del escáner. Esto se hace haciendo que los niños completen una breve parte de la tarea en un equipo, similar al protocolo basado en web realizando los pasos 3.2.2 y 3.2.3 mencionados anteriormente.
      NOTA: Los estímulos de práctica son los mismos que los utilizados en la tarea; sin embargo, los niños sólo están expuestos a la secuencia aleatoria y no a las secuencias estructuradas, lo que permite una breve habituación a los estímulos y las demandas de tareas sin permitir el aprendizaje de secuencias particulares.
    6. Asegúrese de que el protocolo de recopilación de datos fMRI esté configurado correctamente en el equipo de adquisición de RMN.
      NOTA: Los parámetros de adquisición siguen las recomendaciones del Estudio32del Desarrollo Cognitivo Cerebral adolescente (ABCD).
    7. Comience la sesión de escaneo con escaneos ponderados T1 de alta resolución. Adquiere estos usando un escaneo de volumen 3D MPRAGE (Magnetization Prepared Rapid Gradient Echo) de 176 cortes con TR (Tiempo de repetición) a 2500 ms, TE (Tiempo de eco) a 2,9 ms, ángulo de volteo a 8o, FOV (Campo de Visión) a 25,6 cm, tamaño de matriz de 256 X 256 y grosor de corte de 1 mm. Esta adquisición tendrá una duración de 7,2 min.
    8. Para adquirir datos funcionales, utilice imágenes de ecoplanar ponderadas por T2* con la adquisición simultánea de escaneos de varias rebanadas con TR 800 ms, TE a 32 ms, ángulo de volteo a 61o, FOV a 21 cm y matriz de 64 x 64. En este experimento, se adquieren 60 rodajas adyacentes en una secuencia entrelazada con un grosor de rodaja de 2,5 mm, un FOV de 21 cm y una matriz de 64 X 64, lo que da como resultado una resolución en plano de 2,5 mm x 2,5 mm x 2,5 mm.
    9. Pida a los participantes que se acodan cómodamente en la cama del escáner fMRI con auriculares que protejan sus oídos del ruido del escáner y una almohadilla de respuesta/caja de botones en la mano (tanto los auriculares como la caja de botones deben ser compatibles con el escáner).
    10. Coloque un relleno adicional alrededor de su cabeza para garantizar un movimiento limitado de la cabeza durante la recopilación de datos. Proporcione el cuadro de respuesta del botón con antelación para registrar las respuestas y contrarrestar si la mano izquierda o la derecha se utiliza para presionar los botones entre los participantes.
    11. Dé a cada niño una opción de un compañero de exploración. Para los niños mayores y neurotípicos que se sientan cómodos sin un compañero de exploración, déles una bola de compresión para notificar al experimentador si están angustiados o necesitan detenerse. Dar a los niños más pequeños y a las poblaciones especiales una pelota de compresión, pero también proporcionarles un compañero de exploración para ayudarlos (descrito en 4.2.3).
    12. Coloque la bobina de la cabeza sobre la cabeza del participante y alinee la posición del paciente en la cama.
    13. En el ordenador de adquisición registrar un nuevo participante. Introduzca su identificación de participante, fecha de nacimiento, peso y altura. El participante puede insertarse ahora en el orificio de la RMN.
    14. Adquiera un escaneo ponderado por T1 mientras muestra a los participantes una película.
    15. Antes de comenzar el paradigma de aprendizaje estadístico, dé a los participantes las instrucciones de cada tarea hablando con ellos a través de un sistema de intercomunicación conectado a sus auriculares.
    16. En las tareas auditivas, diga a los participantes: "Ahora vamos a jugar un juego de pulsación de botón. Escucharás a los extraterrestres decir palabras y tocar música. Recuerde pulsar el botón en su mano IZQUIERDA / DERECHA cada vez que escuche el sonido que está escuchando. Habrá 4 partes, y cada parte durará unos 5 minutos."
    17. En las tareas visuales, diga a los participantes: "Ahora van a ver las imágenes de los extraterrestres y las letras. Siempre que vea la imagen que está buscando, presione el botón en su mano IZQUIERDA / DERECHA. Usted jugará esto 4 veces seguidas. Tomará unos 5 minutos cada vez."
    18. Inicie el paradigma de aprendizaje estadístico en el equipo de presentación y adquiera los datos fMRI de la tarea.
    19. Una vez que el participante haya completado el paradigma, detenga la resonancia magnética, retírela de forma segura del interior del escáner y retire la bobina de la cabeza.
    20. Después de la recopilación de datos, transfiera todos los datos de RMN desde el ordenador de adquisición a un servidor seguro para realizar análisis adicionales.
  3. análisis de datos fMRI
    1. Analice el tiempo de reacción en el escáner durante la tarea fMRI de forma similar al cálculo basado en web del tiempo de reacción durante la fase de familiarización. Normalice el tiempo de reacción para comparar entre condiciones y calcule una pendiente lineal utilizando el tiempo de reacción normalizado para cada condición de un individuo.
    2. Al analizar los datos fMRI, primero organice y convierta los datos al formato Brain Imaging Data Structure33 (BIDS) utilizando HeuDiConv34 (https://github.com/nipy/heudiconv).
    3. Preprocesar estos datos utilizando fMRIPrep35,36. Esta canalización de preprocesamiento automatizada combina metodología de AFNI37,ANTs38,Freesurfer39,FSL40y Mindboggle41 para proporcionar datos científicamente rigurosos y reproducibles para su uso en el análisis de datos.
      NOTA: El estudio actual implementa un diseño mixto relacionado con bloques/eventos. Los resultados representativos (abajo) tratan cada minibloque como un evento (por ejemplo, la secuencia aleatoria es un evento, la secuencia estructurada es un evento, etc.). Sin embargo, la tarea también está diseñada para que uno pueda modelar cada estímulo como un evento.
    4. Incluya dos regresores de tareas para cada ejecución ("imagen" y "carta" para la condición visual, y "syllable" y "tono" para la condición auditiva) en el diseño del modelo de primer nivel. Determine los regresores de tareas implicando un vector de tiempos de inicio de eventos con sus duraciones con una función de respuesta hemodinámica canónica. Calcular diferencias y medias entre corridas dentro de cada sujeto para diseños de modelos de nivel superior. Esto dará lugar a un contraste entre secuencias estructuradas y aleatorias dentro de cada tipo de estímulo.
    5. Cree una media de grupo de activación para bloques estructurados en comparación con bloques aleatorios dentro de cada modalidad/dominio.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Resultados de comportamiento basados en la Web
Dado que el protocolo actual está diseñado para una fácil difusión con las poblaciones del desarrollo, hemos incluido resultados preliminares basados en la web basados en datos de 22 niños en edad escolar en desarrollo (edad media (M) de edad a 9,3 años, desviación estándar (SD) edad - 2,04 años, rango de 6,2-12,6 años, 13 niñas). En la tarea de aprendizaje estadístico basada en la web, los niños tuvieron un desempeño significativamente mejor que el nivel de oportunidad de 0,5 en todas las condiciones, lo que indica un aprendizaje estadístico exitoso a nivel de grupo (véase el Cuadro 1 para las estadísticas; Figura 3). La pendiente media del tiempo de reacción fue negativa y significativamente inferior a 0 en la condición de sílaba (M -0,01, SD a 0,02, t(14) - -2,36, p de una cola a .02) y marginalmente significativo en la condición de la letra (M -0,02, SD a 0,06, t(15) a -1,52, p de cola única a .07, Figura 4), lo que sugiere una aceleración más rápida de la detección de objetivos durante la fase de familiarización en las tareas linguísticas. La pendiente media del tiempo de reacción no fue significativamente diferente de cero en la condición de la imagen (M a 0,02, SD a 0,04, t(17) a 1,54, p de una cola > .1) o la condición del tono (M a 0,005, SD a 0,02, t(15) a -5,7 x 10-17, p > .1 de una cola, a pesar de la evidencia de aprendizaje en las medidas de sin conexión de precisión. El alfa de Cronbach era 0,75 para la tarea Carta, 0,09 para la tarea Syllable, 0,67 para la tarea Tono y 0,86 para la tarea Imagen. Las correlaciones entre las medidas implícitas (pendiente RT) y las medidas explícitas (precisión) del aprendizaje estadístico identifican una relación significativa para la tarea Imagen (R -.48, p - 0.04) y la tarea Carta (R -.54, p - 0.03). Las correlaciones entre tareas sugieren además que las cuatro tareas pueden tener un grado modesto de mecanismo de aprendizaje superpuesto (Figura 5). Si bien la precisión de ambas tareas visuales estaba altamente correlacionada (R .60, p a 0,02), también se asociaron positivamente con la precisión en la tarea Sílaba (Imagen R a .66, p a 0,01; Letra R a .85, p < 0.001).

Resultados de la FMRI
Los resultados preliminares de la RMN se basaron en datos de nueve niños en desarrollo en edad escolar. Estos nueve niños eran un subconjunto de los 22 niños incluidos en los resultados de comportamiento basados en la web, ya que no todos los niños acudieron al laboratorio para completar la parte del fMRI del estudio. Las nueve completaron las tareas de aprendizaje estadístico auditivo(M edad 10,77 años, SD a 1,96 años, rango de 7,7-13,8 años, 4 niñas) y siete completaron las tareas de aprendizaje estadístico visual(M edad 11,41 años, SD a 2,37 años, rango de 7,7-13,8 años, 4 niñas). Al comparar bloques estructurados con bloques aleatorios, se observaron clústeres significativos en las cuatro condiciones (Figura 6). En la condición de sílaba, se encontró una mayor activación en el giro temporal superior izquierdo, la insula/operculum frontal derecho y el giro cingulado anterior. En la condición de tono, se encontró una mayor activación en el giro temporal medio izquierdo, gyri angular bilateral, polo frontal izquierdo, corteza occipital lateral derecha, insula derecha y opérculo frontal derecho. En la condición de la letra, se encontró una mayor activación en el planum temporal izquierdo. En la condición de imagen, se encontró una mayor activación en la corteza occipital lateral derecha. Estos hallazgos preliminares sugieren que los patrones de activación neuronal de los niños difieren entre el aprendizaje de regularidades estadísticas dependiendo de la modalidad y el dominio de los estímulos presentados. El diseño actual de la tarea es sensible a estas diferencias y puede identificar regiones específicas de la tarea de activación similares a los estudios anteriores20,,25.

Resultados conductuales de fMRI
Para demostrar el aprendizaje en la parte de fMRI de este estudio, hemos incluido los resultados de comportamiento en el escáner de 28 adultos (M edad 20,8, SD a 3,53, 20 mujeres), ya que los datos de 9 niños no fueron suficientes para calcular estadísticas confiables. Nuestros hallazgos en adultos indican que el aprendizaje se produjo con éxito en todas las tareas para la secuencia estructurada, apoyado por un tiempo de respuesta significativamente más rápido en el estructurado en comparación con la condición aleatoria, excepto en el caso de la tarea de tono (ver Tabla 2 para las estadísticas).

En conjunto, nuestras medidas de precisión basadas en la web, y el aumento de la activación para secuencias estructuradas frente a secuencias aleatorias en el escáner, indican que este protocolo puede implementarse con poblaciones de desarrollo para medir el aprendizaje estadístico en todos los dominios y modalidades dentro de un individuo. Nuestro comportamiento de RMN da como resultado una población adulta enfatizando aún más la utilidad de este protocolo en la medición del aprendizaje de secuencias estructuradas a medida que se desarrolla en tiempo real, así como la capacidad de implementar los protocolos basados en la web y fMRI de forma independiente.

Figure 1
Figura 1: Fase de familiarización de las cuatro tareas de aprendizaje estadístico. En esta figura se muestran trillizos de ejemplo en cada tarea. Cada estímulo visual apareció para 800 ms con un ISI de 200 ms, y cada estímulo auditivo se escuchó para 460 ms con un ISI de 20 ms. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Modificación de la familiarización para las tareas de aprendizaje estadístico de fMRI. La tarea fMRI era similar a la fase de familiarización basada en web, pero introdujo una secuencia aleatoria que se contrarrestó entre dominios. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Precisión media del aprendizaje estadístico (SL) en la tarea basada en web en comparación con el nivel de oportunidad. Los resultados indican que los individuos tuvieron un desempeño p significativamente por encima de la probabilidad en las cuatro tareas, ***p < .001, ** < 0.01, * < 0.05. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Pendiente media del tiempo de reacción en la tarea basada en web contra cero. Una pendiente más negativa indica una aceleración más rápida en la detección de destino durante la familiarización. La detección de objetivos mejoró significativamente a lo largo de la exposición durante la tarea de sílaba. †p.o de cola de una sola cola a .07, * < .05. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: Correlaciones entre tareas basadas en web en las cuatro tareas de aprendizaje estadístico. (a) Los valores no significativos en un alfa de .05 se muestran con un fondo blanco. Todas las comparaciones con un fondo de color denotan efectos significativos. (b) Tamaño de la muestra para cada comparación por pares. Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6: Activación neuronal en el nivel de grupo para bloques estructurados en comparación con bloques aleatorios dentro de cada modalidad y dominio. Los clústeres significativos se umbralaron en p < 0.001 de nivel de vóxel y p < 0,05 de nivel de clúster para cada tarea. Se seleccionaron sectores horizontales para representar el clúster con el valor z máximo. La barra de color en la esquina inferior derecha refleja la misma escala para todos los trazados. Haga clic aquí para ver una versión más grande de esta figura.

Condición Decir Desviación estándar Prueba en T de una cola
Imagen 0.63 0.21 t(17) a 2,64, p a .009
Carta 0.66 0.16 t(15) a 3,98, p < .001
Tono 0.60 0.15 t(16) a 2,83, p a .006
Sílaba 0.55 0.1 t(14) a 2,06, p a .03

Tabla 1: Precisión basada en Web por condición. Las pruebas t de una muestra representan diferencias de grupo en comparación con el nivel de probabilidad 0,5.

Estructurado Aleatorio
Condición Decir Desviación estándar Decir Desviación estándar Muestras emparejadas Prueba T
Imagen 468.1 76.04 493.4 60.33 t(27) -2,01, p a .05
Carta 374.72 143.59 502.1 68.75 t(27) -4,97, p <.001
Tono 426.37 169.10 407.68 162.63 t(26) a 0,67, p a .51*
Sílaba 589.3 180.95 679.9 55.99 t(26) -2,51, p .02*
*Un sujeto tenía muy pocas pulsaciones de botón para calcular un valor para la tarea de tono o sílaba.

Tabla 2: Diferencias de rendimiento conductual de LA RMN en secuencias aleatorias frente a secuencias estructuradas en las cuatro tareas en adultos. Las pruebas t de muestras emparejadas representan diferencias de grupo en el aprendizaje de secuencias estructuradas frente a aleatorias.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Los métodos presentados en el protocolo actual proporcionan un paradigma multimodal para entender los índices conductuales y neuronales del aprendizaje estadístico a lo largo del curso del desarrollo. El diseño actual permite la identificación de diferencias individuales en la capacidad de aprendizaje estadístico entre modalidades y dominios, que se pueden utilizar para la investigación futura de la relación entre el aprendizaje estadístico y el desarrollo del lenguaje. Dado que la capacidad de aprendizaje estadístico de un individuo varía según los dominios y las modalidades6,,8,,9,es óptimo si los participantes completan las cuatro tareas. Los hallazgos de niños y adultos típicamente en desarrollo indican que el desempeño de un individuo a través de dominios/modalidades de aprendizaje estadístico puede relacionarse diferencialmente con el vocabulario4 y los resultados de la lectura5,,6. Por lo tanto, recomendamos que se tomen medidas adicionales de capacidad cognitiva y del lenguaje para relacionarse con las medidas de aprendizaje estadístico tomadas en el protocolo actual.

La investigación ha informado de una consistencia interna razonable y de la fiabilidad de las pruebas de prueba de estas tareas de aprendizaje estadístico para adultosde 8,,42años. Sin embargo, las preocupaciones sobre la fiabilidad de las tareas para los niñosde 42 años y un debate reciente sobre las cuestiones generales de medición9 indican una necesidad urgente de desarrollar medidas de aprendizaje estadístico, que tienen en cuenta las características de desarrollo de los niños. Si bien nuestra investigación anterior, así como los datos preliminares del protocolo actual, indican una alta coherencia interna para las6tareas de aprendizaje estadístico no linguístico en niños en edad escolar de entre 8 y 16 años, nuestra investigación también confirmó una fiabilidad de la tarea menos satisfactoria, particularmente en el aprendizaje estadístico linguístico auditivo que se ha informado antesde los 42años. Las diferencias en la coherencia interna entre las tareas son particularmente intrigantes a la luz de los recientes hallazgos sobre el impacto de las experiencias linguísticas previas de un alumno en los resultados de aprendizaje estadístico18,,43,,44. El desarrollo del lenguaje y la lectura cambian rápidamente durante los años escolares. La capacidad de aprendizaje de cada triplete linguístico auditivo puede diferir sustancialmente dentro de cada niño, dependiendo de su etapa de desarrollo y las habilidades actuales del lenguaje. La combinación de nuestro protocolo con otras medidas de diferencia individuales ofrecerá una oportunidad emocionante para estudiar el efecto en cascada entre las habilidades existentes y el aprendizaje posterior subyacente a la heterogeneidad del rendimiento del aprendizaje estadístico a lo largo del desarrollo.

Un beneficio importante del diseño actual está en su utilidad para medir el aprendizaje estadístico a través de una plataforma web en línea. Los investigadores deben ser conscientes de lo siguiente al considerar la precisión de las mediciones del tiempo de reacción a través de un navegador web. de Leeuw y Motz (2016)45 encontraron que los tiempos de respuesta medidos a través de un navegador web eran aproximadamente 25 ms más largos que los medidos a través de otro software de presentación de datos estándar. Es importante destacar que este retraso fue constante en todas las pruebas. Debido a que nuestra medida de aprendizaje en tiempo real en las tareas basadas en la web es la pendiente de cambio en el tiempo de reacción, los efectos del retraso en el tiempo de reacción se han minimizado utilizando comparaciones dentro del sujeto. de Leeuw (2015)30 también ha reconocido que el tiempo de reacción medido a través de jsPsych puede verse afectado por factores como la velocidad de procesamiento del equipo o el número de tareas cargadas en segundo plano. Para minimizar estos efectos, recomendamos normalizar el tiempo de respuesta dentro de cada participante individual antes de calcular la pendiente de tiempo de respuesta30.

El protocolo actual, que proporciona métodos robustos para demostrar una gran variabilidad en el comportamiento del aprendizaje en todos los dominios y modalidades, está diseñado para investigar las diferencias individuales del aprendizaje estadístico. Sin embargo, este protocolo no es adecuado para investigar cuestiones como si el aprendizaje estadístico visual es inherentemente más fácil que el aprendizaje estadístico auditivo. La interpretación de las diferencias de rendimiento a nivel de grupo entre tareas es difícil debido a todos los factores de confusión que no somos capaces de controlar, como la familiaridad de los estímulos14,43,46,47 , la saliencia sensorial, y la velocidad de procesamiento28. Relacionado con la familiaridad de los estímulos, está bien establecido que las experiencias previas de un individuo con los estímulos pueden influir en su rendimiento de aprendizaje estadístico. Además, las tareas visuales y auditivas son difíciles de comparar directamente debido a las diferencias en la importancia de los estímulos y la tasa de presentación a través de estas modalidades. Por lo tanto, nuestros métodos están diseñados con el objetivo de investigar las diferencias individuales en el aprendizaje estadístico. Sin embargo, con enfoques avanzados de análisis de fMRI, nuestro protocolo es adecuado para estudiar preguntas teóricas sobre la naturaleza del aprendizaje estadístico, por ejemplo, podemos preguntar qué redes cerebrales son sensibles a las regularidades en cada dominio y cómo los patrones de interacción neuronal difieren / se superponen.

El protocolo actual fue desarrollado para ser amigable con los niños y de fácil acceso para maximizar la investigación en poblaciones neurotípicas y atípicas. Durante la implementación de este protocolo con niños pequeños o aquellos con trastornos del desarrollo, un paso crítico es dar descansos entre cada tarea SL para evitar la fatiga. Cada condición de las tareas basadas en la web se puede difundir individualmente para facilitar las demandas cognitivas. Antes de escanear, el escáner simulado se puede utilizar para reducir la ansiedad infantil y el movimiento de la cabeza en preparación para la tarea real de fMRI. Un investigador adicional debe ser consciente de que se relaciona con una preocupación general al realizar cualquier estudio de neuroimagen: movimiento. Un movimiento de cabeza rotacional de solo 0,3 mm puede hacer que los artefactos se manifiesten. En un esfuerzo por minimizar la probabilidad de artefactos de movimiento, el protocolo actual ha limitado cada ejecución para que dure menos de 5 minutos48. Se debe animar a los participantes a permanecer inmóviles durante cada carrera de 5 minutos, pero se les permite moverse o estirarse entre carreras con el fin de reducir el movimiento durante el escaneo real. También recomendamos técnicas rigurosas de análisis de datos para corregir artefactos relacionados con el movimiento en los datos fMRI49.

Dada la contribución crítica de la capacidad de aprendizaje estadístico en la adquisición posterior del lenguaje, es necesario desarrollar medidas más completas y fiables que evalúen tanto el aprendizaje en tiempo real como fuera de línea de las regularidades estadísticas. La propuesta actual es un primer paso hacia la delineación de cómo las diferencias individuales en la capacidad de aprendizaje estadístico basadas en el dominio/modalidad pueden explicar variaciones en los resultados posteriores del idioma.

El protocolo actual, que proporciona métodos robustos para demostrar una gran variabilidad en el comportamiento del aprendizaje en todos los dominios y modalidades, está diseñado para investigar las diferencias individuales del aprendizaje estadístico. Sin embargo, este protocolo no es adecuado para investigar cuestiones como si el aprendizaje estadístico visual es inherentemente más fácil que el aprendizaje estadístico auditivo. La interpretación de las diferencias de rendimiento a nivel de grupo entre tareas es difícil debido a todos los factores de confusión que no podemos controlar

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Agradecemos a Yoel Sanchez Araujo y Wendy Georgan por su contribución en el diseño inicial de la plataforma basada en la web. Agradecemos a An Nguyen y Violet Kozloff por su trabajo en la mejora de las tareas de aprendizaje estadístico basadas en la web, la implementación de las tareas fMRI y el pilotaje de las tareas en participantes adultos. Agradecemos a Violet Kozloff y Parker Robbins por su contribución en la ayuda a la recopilación de datos en niños. Agradecemos a Ibrahim Malik, John Christopher, Trevor Wigal y Keith Schneider en el Centro de Imágenes Biológicas y Cerebrales de la Universidad de Delaware por su asistencia en la recopilación de datos de neuroimagen. Este trabajo es financiado en parte por el Instituto Nacional de Sordera y otros Trastornos de la Comunicación (PI: Qi; NIH 1R21DC017576) y la Dirección de Ciencias Sociales, Conductuales y Económicas de la Fundación Nacional de Ciencias Sociales, Conductuales y Económicas (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

Neurociencia Número 160 aprendizaje estadístico basado en la web fMRI dominio modalidad niños
Medición del aprendizaje estadístico a través de modalidades y dominios en niños en edad escolar a través de una plataforma en línea y técnicas de neuroimagen
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