Waiting
Login processing...

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

Neuroscience

Mesurer l’apprentissage statistique dans toutes les modalités et domaines des enfants d’âge scolaire via une plate-forme en ligne et des techniques de neuroimagerie

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

Summary

Présenté ici est un protocole introduisant un ensemble de tâches d’apprentissage statistique adaptées aux enfants visant à examiner l’apprentissage des modèles statistiques temporels par les enfants dans tous les domaines et les modalités sensorielles. Les tâches développées recueillent des données comportementales à l’aide de la plate-forme web et des données d’imagerie par résonance magnétique fonctionnelle (IRMf) basées sur les tâches pour examiner l’engagement neuronal pendant l’apprentissage statistique.

Abstract

L’apprentissage statistique, une compétence fondamentale pour extraire les régularités dans l’environnement, est souvent considéré comme un mécanisme de soutien de base du développement de la langue maternelle. Bien que de nombreuses études sur l’apprentissage statistique soient menées dans un domaine ou une même modalité, des données récentes suggèrent que cette compétence peut différer en fonction du contexte dans lequel les stimuli sont présentés. En outre, peu d’études étudient l’apprentissage tel qu’il se déroule en temps réel, plutôt sur les résultats de l’apprentissage. Dans ce protocole, nous décrivons une approche pour identifier la base cognitive et neuronale de l’apprentissage statistique, au sein d’un individu, à travers les domaines (linguistiques vs non linguistiques) et les modalités sensorielles (visuelles et auditives). Les tâches sont conçues pour imposer le moins de demande cognitive possible aux participants, ce qui en fait l’idéal pour les jeunes enfants d’âge scolaire et les populations spéciales. La nature web des tâches comportementales offre une occasion unique pour nous d’atteindre des populations plus représentatives à l’échelle nationale, d’estimer les tailles d’effets avec une plus grande précision, et de contribuer à la recherche ouverte et reproductible. Les mesures neuronales fournies par la tâche d’imagerie par résonance magnétique fonctionnelle (IRMf) peuvent informer les chercheurs sur les mécanismes neuronaux engagés pendant l’apprentissage statistique, et comment ceux-ci peuvent différer d’un individu à l’autre sur la base du domaine ou de la modalité. Enfin, les deux tâches permettent de mesurer l’apprentissage en temps réel, car les changements dans le temps de réaction à un stimulus cible sont suivis tout au long de la période d’exposition. La principale limitation de l’utilisation de ce protocole concerne la durée d’une heure de l’expérience. Les enfants pourraient avoir besoin d’accomplir les quatre tâches d’apprentissage statistique en plusieurs séances. Par conséquent, la plate-forme web est conçue en présentant cette limitation afin que les tâches puissent être diffusées individuellement. Cette méthodologie permettra aux utilisateurs d’étudier comment le processus d’apprentissage statistique se déroule dans les domaines et dans les domaines et les modalités chez les enfants de différents milieux de développement.

Introduction

L’apprentissage statistique est une compétence élémentaire qui soutient l’acquisition de combinaisons régies par des règles dans les intrants linguistiques1. La capacité d’apprentissage statistique réussie chez les nourrissons prédit le succès ultérieur de l’apprentissage des langues2,3. La variabilité des compétences d’apprentissage statistique chez les enfants d’âge scolaire a également été associée au vocabulaire4 et à la lecture5,6. La difficulté dans l’apprentissage statistique a été proposée comme un mécanisme étiologique sous-jacent à l’affaiblissement du langage7. Malgré l’association entre l’apprentissage statistique et les résultats linguistiques dans les populations neurotypiques et atypiques, les mécanismes cognitifs et neuronaux sous-jacents à l’apprentissage statistique restent mal compris. En outre, la littérature précédente a révélé que, au sein d’un individu, la capacité d’apprentissage statistique n’est pas uniforme, mais indépendante dans tous les domaines et les modalités6,8,9. La trajectoire de développement des capacités d’apprentissage statistique peut varier d’un domaine à l’autre et des modalités10. Ces résultats soulignent l’importance d’évaluer les différences individuelles dans l’apprentissage statistique entre plusieurs tâches tout au long du développement. Toutefois, le domaine exige d’abord une étude plus systématique de la relation entre l’apprentissage statistique et le développement des langues maternelles. Pour répondre à ces questions, nous appliquons des méthodes novatrices, y compris une plate-forme de test web11 qui rejoint un grand nombre d’enfants, et des techniques de neuroimagerie en laboratoire (imagerie par résonance magnétique fonctionnelle, ou IRMf) qui examinent l’encodage en temps réel de l’information statistique.

Les mesures standard de l’apprentissage statistique commencent par une phase de familiarisation et sont suivies d’une tâche de choix forcé à deux alternatives (2-AFC)12,13. La phase de familiarisation introduit un flux continu de stimuli intégrés à des régularités statistiques, où certains stimuli sont plus susceptibles de co-produire que d’autres. La présentation de ces stimuli co-produisant suit un ordre temporel fixe. Les participants sont exposés passivement au flux pendant la phase de familiarisation, suivis d’une tâche 2-AFC qui teste si le participant a réussi à extraire les modèles. La tâche de précision 2-AFC présente deux séquences consécutives : une séquence a été présentée au participant au cours de la phase de familiarisation, tandis que l’autre est une séquence nouvelle, ou contient une partie de la séquence. La précision au-dessus du hasard sur le 2-AFC indiquerait un apprentissage réussi au niveau du groupe. Les tâches comportementales traditionnelles évaluant l’apprentissage statistique reposent généralement sur l’exactitude comme mesure des résultats de l’apprentissage. Cependant, l’exactitude ne tient pas compte de l’apprentissage naturel de l’information au fur et à mesure qu’elle se déroule dans le temps. Une mesure de l’apprentissage en temps réel est nécessaire pour puiser dans le processus d’apprentissage implicite de l’apprentissage statistique au cours duquel les enfants sont encore encodage des régularités à partir des entrées14,15,16. Diverses adaptations à travers les paradigmes ont été développées dans un effort pour s’éloigner de la mesure 2-AFC, vers des mesures de l’apprentissage en ligne par des réponses comportementales au cours de l’exposition16. Des études utilisant ces adaptations qui mesurent le temps de réaction pendant la phase d’exposition ont révélé qu’elles étaient liées à l’exactitude post-apprentissage17 avec une meilleure fiabilité des tests par rapport à celle de l’exactitude chez les apprenants adultes18.

Les mesures neuronales sont également fondamentales pour notre compréhension de la façon dont l’apprentissage se déroule au fil du temps, car le processus implicite par lequel l’apprentissage des langues se produit recrute probablement différentes ressources neuronales de celles utilisées une fois que la langue est apprise19. Les mesures neuronales fournissent également des aperçus des différences dans les spécialisations cognitives sous-jacentes à la capacité linguistique entre les populations spéciales20. La façon dont le contraste de la condition est conçu dans une étude d’IRMf est cruciale pour la façon dont nous interprétons les modèles d’activation neuronale pendant l’apprentissage. Une pratique courante consiste à comparer les réponses cérébrales au cours de la phase de familiarisation entre les séquences contenant des motifs réguliers par rapport à celles contenant les mêmes stimuli qui sont ordonnées au hasard. Cependant, des recherches antérieures mettant en œuvre une telle condition de contrôle aléatoire n’ont trouvé aucune preuve pour l’apprentissage dans le comportement, en dépit des différences neuronales entre les séquences structurées et aléatoires. Cela peut être dû à l’interférence de séquences aléatoires sur l’apprentissage des séquences structurées, car les deux ont été construits à partir des mêmes stimuli21,22. D’autres études d’IRMf qui ont utilisé la parole en arrière ou des blocs d’apprentissage antérieurs que la condition de contrôle confirmé l’apprentissage a eu lieu comportementalement19,23. Cependant, chacun de ces paradigmes a introduit son propre facteur de confusion, tel que l’effet du traitement du langage pour le premier cas et l’effet de l’ordonnance expérimentale pour le second cas. Notre paradigme utilise la séquence aléatoire comme condition de contrôle, mais atténue leur interférence sur l’apprentissage des séquences structurées par les participants. Notre paradigme d’IRMf implémente également une conception mixte liée au bloc/événement, qui permet la modélisation simultanée des signaux BOLD liés à l’essai transitoire et soutenus liés à la tâche24. Enfin, et plus largement, les mesures neuronales permettent de mesurer l’apprentissage dans les populations où il peut être difficile d’obtenir une réponse comportementale explicite (p. ex., populations développementales et spéciales)25.

Le protocole actuel adopte une mesure du temps de réponse, en plus des mesures traditionnelles d’exactitude, et examine l’activation du cerveau pendant la phase de familiarisation. La combinaison de ces méthodes vise à fournir un ensemble de données riche pour l’étude des processus d’apprentissage en temps réel. La plate-forme web offre un ensemble de mesures d’apprentissage en incluant à la fois le temps de réponse pendant la phase d’exposition et l’exactitude de la tâche 2-AFC pendant la phase de test. Le protocole de neuroimagerie permet l’étude des mécanismes neuronaux sous-jacents soutenant l’apprentissage statistique à travers les domaines et les modalités. Bien qu’il soit optimal de mesurer l’apprentissage statistique au sein d’une personne à l’aide des protocoles web et de l’IRMf, les tâches sont conçues de manière à ce qu’elles puissent être diffusées de façon indépendante, et donc, comme deux mesures indépendantes de l’apprentissage statistique. Les expériences d’IRMf incluses dans le protocole actuel peuvent aider à clarifier comment le codage de stimulation, l’extraction de modèles et d’autres composantes constitutives de l’apprentissage statistique sont représentés par des régions et des réseaux cérébraux particuliers.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Tous les participants ont donné leur consentement écrit pour participer et l’étude a été menée conformément à la Commission d’examen institutionnel.

1. Vue d’ensemble du paradigme d’apprentissage statistique utilisé dans le protocole web

  1. Inclure quatre tâches dans le paradigme actuel : l’image (visuelle-nonlinguistique), la lettre (visuelle-linguistique), le ton (auditif-nonlinguistique) et la syllabe (auditive-linguistique).
    1. Construire des stimuli pour les tâches visuelles à l’aide de 12 images de dessins animés extraterrestres autonomes (image) et 12 images de lettres (lettre; B, J, K, A, H, C, F, E, J, G, D, M) montrant le même alien tenant 12 signes avec des majuscules écrites sur eux.
    2. Construire des stimuli auditifs à l’aide de 12 syllabes anglaises (syllabe; pi,pu,pa,ti,tu.ta,di,du,da,bi,bu,ba) et 12 tonalités musicales dans la même octave (ton; F,G,D,G#,C#,B,C,F#,D#,E,A,A#). Les stimuli de syllabe peuvent être faits à l’aide d’un synthétiseur de la parole artificielle, et peuvent être enregistrés comme des fichiers distincts dans Praat26,27.
  2. Dans la phase de familiarisation, présenter des stimuli dans un flux structuré (voir la figure 1). La rétroaction n’est fournie à aucun moment pendant la phase de familiarisation ou de test.
    REMARQUE : Dans chaque tâche, une phase de familiarisation est immédiatement suivie d’une phase de test.
    1. Pour la tâche Image (visuelle-nonlinguistique), structurez 12 images en quatre triplets cibles. Dans la phase de familiarisation, répétez chacun des quatre triplets cibles 24 fois pour un total de 96 triplets.
      REMARQUE : Les 96 triplets sont concaténatés au hasard dans un flux continu, avec la contrainte qu’aucun triplet ne peut être immédiatement répété. Les images sont présentées une à la fois au centre de l’écran. Chaque image est présentée pour 800 ms avec 200 ms d’intervalle inter-stimulus. Toute la phase de familiarisation durera 4 min 48 s.
    2. Assurez-vous que la phase d’essai suit toujours la phase de familiarisation et qu’elle est composée de 32 questions à deux solutions (2AFC). Pour chaque question, inclure 2 options : un triplet cible de la phase de familiarisation et un triplet qui n’a pas été inclus dans la phase de familiarisation, appelée triplet de papier d’aluminium.
      REMARQUE : Les triplets de papier d’aluminium sont construits de façon à ce que la position relative de chaque image dans le triplet de papier d’aluminium soit la même que le triplet cible. Chaque triplet cible et feuillet sont présentés 8 fois au total dans un test, et chaque paire de fleuret-cible est répétée. La phase d’essai se compose de 32 (4 triplets cibles x 4 triplets de papier d’aluminium x 2 répétitions) d’essais ordonnés au hasard.
    3. Pour la tâche de lettre (visuelle-linguistique), vous avez 12 images de lettres majuscules qui sont organisées en quatre triplets cibles (GJA, FKC, LBE et MDH).  Pour la phase d’essai, créez 4 triplets de papier d’aluminium (GDE, FJH, LKA et MBC) et associez-les aux triplets cibles pour former les 32 essais d’essai de 2AFC. Aucun triplet de lettre ne peut contenir de mots, d’acronymes communs ou d’initialismes.
    4. Pour la tâche de tonalité (auditive-nonlinguistique) la tâche incluent 12 tonalités pures musicales dans la même octave (une échelle chromatique complète commençant du milieu C) et les concatenent en quatre triplets cibles (F#DE, ABC, C#A#F, et GD#G#). Contrairement aux tâches visuelles, la vitesse de présentation est plus rapide en raison des différences dans la préférence perceptuelle auditive6,28,29.
      REMARQUE : Chacun des quatre triplets cibles est répété 48 fois pour un total de 192 triplets (deux fois plus que les conditions visuelles). Tous les triplets sont concatés dans un flux sonore sans triplet répété deux fois de suite. Les tons purs sont présentés un à la fois tandis que les participants regardent un écran vide. La durée de chaque tonalité est de 460 ms avec un intervalle inter-stimulus de 20 ms. Le cours d’eau entier dure environ 4 min et 36 s. Comme dans les tâches visuelles, une phase d’essai de 32 essais de 2AFC avec des paires de triplets cibles et de feuilles (F#BF, AA#G#, C#D#E, GDC) suit immédiatement la phase de familiarisation.
    5. Pour la tâche de syllabe (auditive-linguistique), utilisez 12 syllabes de voyelles de consonne (CV) créées et regroupées en quatre triplets cibles (pa-bi-ku, go-la-tu, da-ro-pi et ti-bu-do). La durée de chaque syllabe et de l’intervalle inter-stimulus est la même que la condition de tonalité. Associez quatre triplets de papier d’aluminium (pa-ro-do, go-bu-ku, da-bi-tu et ti-la-pi) aux triplets cibles de la phase d’essai.
  3. Randomiser l’ordre des quatre tâches d’apprentissage statistique entre les participants.

2. Recrutement de participants

REMARQUE : Bien que le protocole web et le protocole de l’IRMf soient mieux mis en œuvre ensemble au sein d’un seul participant, nous présentons ici les meilleures pratiques pour le recrutement des participants pour chaque tâche de façon indépendante.

  1. Recrutement de participants sur le Web
    1. Recruter des participants âgés de 6 ans et plus. Les participants de tout sexe, race et ethnie peuvent y participer; toutefois, l’échantillon d’étude devrait être représentatif de la population.
    2. Recruter des participants qui sont natifs anglais et qui n’ont été exposés à aucune langue en dehors de l’anglais avant l’âge de 5 ans.
    3. Assurez-vous qu’ils ne signalent aucun état psychologique connu (y compris le TDA, la dépression, le SSPT et l’anxiété clinique) et/ou neurologique (y compris un accident vasculaire cérébral, une crise cérébrale ou une blessure à la tête fermée).
    4. Assurez-vous que les participants ont une vision normale ou corrigée à la normale (les lunettes ou les contacts sont corrects), la vision des couleurs normales et l’audition normale (pas d’appareil auditif ou d’implant cochléaire).
  2. Recrutement de participants à l’IRMf basé sur les tâches
    1. Recruter des participants âgés de 6 ans et plus. Les participants de tout sexe, race et ethnie peuvent y participer; toutefois, l’échantillon d’étude devrait être représentatif de la population.
    2. Pour être admissible, recrutez des participants qui sont natifs de l’anglais et qui n’ont jamais été exposés à des langues autres que l’anglais avant l’âge de 5 ans.
    3. Recruter des personnes droitiers, sans maladie psychologique connue (y compris le TDA, la dépression, le SSPT et l’anxiété clinique) et des troubles neurologiques (y compris un accident vasculaire cérébral, une crise, une tumeur au cerveau ou une blessure à la tête fermée).
    4. Exclure les participantes enceintes, claustrophobes, prenant des médicaments psychoactifs ou qui ont du métal dans le corps (y compris les stimulateurs cardiaques, les implants neuronaux, les plaques métalliques ou les articulations, les éclats d’obus et les agrafes chirurgicales).
    5. Assurez-vous que les participants ont une vision normale ou corrigée à la normale (les lunettes ou les contacts sont corrects), la vision des couleurs normales et l’audition normale (pas d’appareil auditif ou d’implant cochléaire).
    6. Déterminer l’admissibilité à participer à l’IRM en faisant remplir un formulaire de dépistage de l’innocuité par les participants (ou les parents si le participant est mineur).

3. Protocole basé sur le Web

REMARQUE : Le paradigme d’apprentissage statistique basé sur le Web est hébergé sur un site Web sécurisé (https://www.cogscigame.co11) et développé à l’aide de jsPsych, une bibliothèque JavaScript pour la création d’expériences comportementales en ligne30.

  1. Pour reproduire les tâches, rendez-vous à DOI: 10.5281/zenodo.3820620. Tous les scripts et documents sont accessibles au public. Les chercheurs peuvent modifier les scripts et exécuter les expériences localement sur n’importe quel navigateur Web tant que tous les chemins d’accès pour les fichiers de sortie sont configurés de manière appropriée.
  2. Demandez aux participants de remplir une tâche de couverture où on leur dit d’appuyer sur un bouton lorsqu’ils voient une certaine cible pendant toutes les phases de familiarisation de chaque tâche d’apprentissage statistique.
  3. Affectation de stimulation cible pour chaque tâche
    1. Dans les tâches d’image, de lettre et de syllabe, choisissez au hasard l’un des quatre triplets et attribuez la cible au troisième stimulus du triplet. Dans la tâche de tonalité, limitez le stimulus cible à seulement les tons les plus bas ou les plus élevés du troisième stimulus dans les triplets, et attribuez la cible au troisième stimulus du triplet. Cela se fait parce que les stimuli de tonalité sont relativement plus difficiles à discriminer que d’autres types de stimuli.
    2. Dans les tâches de syllabe et de tonalité, présentez aux participants un étranger et le mot/note préféré dans son langage étranger/musique folklorique. Dites aux participants qu’ils écouteront la langue/musique de l’étranger et qu’ils se souviendront d’appuyer sur la barre d’espace chaque fois qu’ils entendent le mot/note préféré » en supprimant l’espace entre /et la note.
    3. Dans la tâche d’image, dites aux participants de garder une trace d’un étranger spécial comme un groupe d’étrangers s’alignent pour entrer dans un vaisseau spatial. Dans la tâche de lettre, dites aux participants de garder une trace du signe préféré de l’étranger que l’étranger tient des signes pour un défilé. Donner aux participants un essai pratique dans les tâches d’image et de lettre.
    4. Ne fournissez pas d’instructions explicites sur la présence de triplés.
    5. Mesurer le temps de réponse au cours des 24 essais dans les tâches visuelles et sur les 48 essais dans les tâches auditives pour évaluer l’apprentissage en ligne.
    6. Au cours de la phase d’essai, une cible (incluse dans la phase de familiarisation) et le triplet de papier d’aluminium (non inclus dans la phase de familiarisation) sont présentés au participant. Demandez aux participants de choisir lequel des deux est le plus semblable à ce qu’ils ont vu ou entendu dans la phase de familiarisation. Chaque essai doit se terminer par une réponse.
  4. Mesures comportementales de l’apprentissage statistique dans le protocole web
    1. Mesurer l’apprentissage en temps réel pendant la phase de familiarisation via la pente linéaire du temps de réaction (changement de temps de réaction tout au long de la phase de familiarisation).
    2. Pour être considéré comme une réponse valide à la cible, vérifiez que la pression clé doit être dans la fenêtre de temps d’un stimulus avant et un stimulus après le stimulus cible. C’est -480 ms à +960 ms par rapport à l’apparition de la cible dans les tâches auditives et -1000 ms à +2000 ms dans les tâches visuelles. Une pression clé avant la cible est considérée comme anticipation et donne donc un temps de réaction négatif.
    3. Pour comparer les temps de réaction entre les conditions, transformez les temps de réaction de chaque participant pour chaque tâche en scores z. Cela normalise les temps de réaction d’un individu afin que les scores entre les tâches puissent être comparés.
    4. Calculez une pente de temps de réaction de chaque participant pour chaque condition à l’aide d’une régression linéaire. Introduisez les temps de réaction z-normated comme variable dépendante et l’ordre d’essai cible comme variable indépendante (visuel : 1 à 24; auditif : 1 à 48). La pente de la ligne de régression linéaire (coefficient bêta/estimation) est la pente de temps de réaction (pente RT).
    5. Mesurer l’exactitude hors ligne de chaque participant pour chaque condition en divisant le nombre d’essais corrects de la phase d’essai par le nombre total d’essais (32 essais).

4. Protocole d’IRMf basé sur les tâches

  1. Modifications apportées au paradigme de l’apprentissage statistique (figure 2).
    1. Pour chaque tâche, présenter à la fois une séquence structurée (contenant des régularités statistiques) et une séquence aléatoire (pas de régularités statistiques).
      REMARQUE : Les séquences structurées sont identiques à celles décrites pour le protocole web (voir la figure 1). En revanche, les séquences aléatoires contiennent les mêmes 12 stimuli tels que présentés dans les séquences structurées, mais sont ordonnées pseudo-aléatoirement. Aucune combinaison de trois stimuli n’est répétée plus d’une fois.
    2. Divisez chaque séquence en six blocs plus petits de longueur égale (24 stimuli pour les tâches visuelles et 48 stimuli pour les tâches auditives).
    3. Concatenate trois blocs structurés, 3 blocs aléatoires, et 6 blocs de repos (silence avec un écran blanc) dans un ordre pseudorandom pour créer quatre séries de stimuli auditifs et quatre séries de stimuli visuels. Pour maximiser l’apprentissage des séquences structurées, assurez-vous que les blocs aléatoires de chaque exécution contiennent un domaine différent de la séquence structurée (p. ex., des séquences structurées à syllabes sont présentées avec des séquences aléatoires de tonalité dans une course, et des séquences aléatoires de syllabes sont présentées avec des séquences structurées de tonalité dans une autre course).
    4. Inclure 288 images à présenter dans chaque course pour la tâche visuelle d’une durée approximative de 4,77 min. Inclure 576 sons à présenter dans la tâche auditive qui dure environ 4,42 min. Au début de chaque bloc, présentez un signal sur la cible avec une sonde verbale et visuelle : « Maintenant écoutez/cherchez le [TARGET] ».
    5. Parmi les quatre séries de la tâche visuelle, assurez-vous que deux contiennent des séquences structurées d’images et les deux autres contiennent des séquences structurées de lettres. Parmi les quatre séries de la tâche auditive, assurez-vous que deux contiennent des séquences structurées de syllabes et les deux autres contiennent des séquences structurées de tons.
  2. Procédure d’apprentissage statistique de l’IRMf
    1. Pour aider à rendre les participants, en particulier les enfants, à l’aise dans le scanner, la pratique de la séance de balayage IRM d’abord à l’aide d’un scanner simulé31. Un scanner factice offre une expérience naturaliste similaire à la session de numérisation réelle, mais est généralement situé dans un environnement plus adapté aux enfants.
    2. Présentez d’abord l’enfant au scanner factice, c’est-à-dire la caméra cérébrale, et assurez-vous qu’il est à l’aise avant de le mettre dans le scanner.
    3. Présentez-les à leur « ers-copain de scan » et d’expliquer que le but du copain de balayage est de les garder accompagnés et les aider s’ils ont besoin de quelque chose. Le copain de balayage rappellera doucement au participant de rester immobile si trop de mouvement est détecté par la « caméra ».
    4. Une fois qu’ils sont dans le scanner, lire des vidéos adaptées aux enfants pour les aider à s’acclimater au son et à la vidéo. Lorsqu’ils sont prêts, jouez quelques clips sonores préenregistrés pour les préparer aux bruits produits par la vraie IRM. Pendant ce temps, qu’ils s’entraînent à rester immobiles et à travailler avec le copain de balayage.
    5. Initiez les enfants au paradigme de l’apprentissage statistique et faites-leur pratiquer à l’extérieur du scanner. Cela se fait en faisant en faisant en ayant des enfants remplir une brève partie de la tâche sur un ordinateur, similaire au protocole web en effectuant les étapes 3.2.2 et 3.2.3 mentionnées ci-dessus.
      NOTE: Les stimuli de pratique sont les mêmes que ceux utilisés dans la tâche; cependant, les enfants ne sont exposés qu’à la séquence aléatoire et non aux séquences structurées, ce qui permet une brève accoutumance aux stimuli et aux exigences de tâches sans permettre l’apprentissage de séquences particulières.
    6. Assurez-vous que le protocole de collecte de données de l’IRMf est correctement configuré sur l’ordinateur d’acquisition de l’IRM.
      REMARQUE : Les paramètres d’acquisition suivent les recommandations de l’étude sur le développement cognitif du cerveau des adolescents (ABCD)32.
    7. Commencez la session de numérisation avec des analyses à haute résolution pondérées en T1. Acquérir ces utilisations à l’aide d’un balayage de volume MPRAGE 3D de 176 tranches (Aimantation préparée Rapid Gradient Echo) avec TR (Temps de répétition) = 2500 ms, TE (Temps d’écho) = 2,9 ms, angle de flip = 8°, FOV (Champ de vision) = 25,6 cm, 256 X 256 taille de matrice, et 1 mm d’épaisseur de tranche. Cette acquisition durera 7,2 min.
    8. Pour acquérir des données fonctionnelles, utilisez l’imagerie écho-planar pondérée T2*avec l’acquisition simultanée de balayages multi-tranches avec TR = 800 ms, TE = 32 ms, angle flip = 61°, FOV = 21 cm, et matrice = 64 x 64. Dans cette expérience, 60 tranches adjacentes sont acquises dans une séquence entrelacée d’une épaisseur de tranche de 2,5 mm, d’un FOV de 21 cm et d’une matrice 64 X 64, ce qui donne une résolution en plan de 2,5 mm x 2,5 mm x 2,5 mm.
    9. Demandez aux participants de s’allonger confortablement sur le lit du scanner irMf avec des écouteurs qui protègent leurs oreilles du bruit du scanner et d’une boîte de réponse/bouton dans leur main (les écouteurs et la boîte à boutons doivent être compatibles avec le scanner).
    10. Placez un rembourrage supplémentaire autour de leur tête pour assurer un mouvement limité de la tête pendant la collecte des données. Donnez la zone de réponse des boutons au participant à l’avance pour enregistrer les réponses et contrebalancer si la main gauche ou droite est utilisée pour appuyer sur les boutons sur les participants.
    11. Donnez à chaque enfant l’option d’un copain de balayage. Pour les enfants plus âgés et neurotypiques qui sont à l’aise sans un copain de balayage, leur donner une boule de compression pour aviser l’expérimentateur s’ils sont en détresse ou ont besoin d’arrêter. Donnez aux jeunes enfants et aux populations spéciales une boule de compression, mais leur fournir un copain de balayage pour les aider (décrit dans 4.2.3).
    12. Placez la bobine de tête sur la tête du participant et alignez la position du patient dans le lit.
    13. Sur l’ordinateur d’acquisition inscrivez un nouveau participant. Entrez leur carte d’identité, leur date de naissance, leur poids et leur taille. Le participant peut maintenant être inséré dans l’alésage de l’IRM.
    14. Acquérir l’analyse pondérée T1 tout en montrant aux participants un film.
    15. Avant de commencer le paradigme de l’apprentissage statistique, donnez aux participants les instructions de chaque tâche en leur parlant par le biais d’un système d’interphone connecté à leurs écouteurs.
    16. Dans les tâches auditives, dites aux participants: « Maintenant, nous allons jouer un jeu de bouton-pression. Vous entendrez les extraterrestres dire des mots et jouer de la musique. N’oubliez pas d’appuyer sur le bouton de votre main gauche/droite chaque fois que vous entendez le son que vous écoutez. Il y aura 4 parties, et chaque partie durera environ 5 min.
    17. Dans les tâches visuelles, dites aux participants: « Maintenant, vous allez voir les photos des étrangers et les lettres. Chaque fois que vous voyez l’image que vous recherchez, appuyez sur le bouton dans votre main gauche/droite. Vous allez jouer ce 4 fois d’affilée. Cela prendra environ 5 minutes à chaque fois.
    18. Démarrez le paradigme d’apprentissage statistique sur l’ordinateur de présentation et acquérir les données fMRI de tâche.
    19. Une fois que le participant a terminé le paradigme, arrêtez l’IRM, retirez-les en toute sécurité de l’intérieur du scanner et retirez la bobine de la tête.
    20. Après la collecte de données, transférez toutes les données IRM de l’ordinateur d’acquisition vers un serveur sécurisé pour d’autres analyses.
  3. Analyses de données de l’IRMf
    1. Analyser le temps de réaction dans le scanner pendant la tâche de l’IRMf de la même façon que le calcul web du temps de réaction pendant la phase de familiarisation. Normaliser le temps de réaction pour comparer entre les conditions et calculer une pente linéaire à l’aide du temps de réaction normalisé pour chaque condition d’un individu.
    2. Lors de l’analyse des données de l’IRMf, organisez et convertissez d’abord les données en mise en forme de la structure des données d’imagerie cérébrale33 (BIDS) à l’aide de HeuDiConv34 (https://github.com/nipy/heudiconv).
    3. Prétraiter ces données à l’aide de fMRIPrep35,36. Ce pipeline de prétraitement automatisé combine la méthodologie de l’AFNI37,ANTs 38, Freesurfer39, FSL40, et Mindboggle41 pour fournir des données scientifiquement rigoureuses et reproductibles pour une utilisation dans l’analyse des données.
      REMARQUE : L’étude actuelle met en œuvre une conception mixte liée au bloc/événement. Les résultats représentatifs (ci-dessous) traitent chaque mini bloc comme un événement (p. ex., la séquence aléatoire est un événement, la séquence structurée est un événement, etc.). Cependant, la tâche est également conçue de sorte que l’on peut modéliser chaque stimulus comme un événement.
    4. Inclure deux régresseurs de tâches pour chaque exécution (« image » et « lettre » pour l’état visuel, et « syllabe » et « tonalité » pour l’état auditif) dans la conception du modèle de premier niveau. Déterminez les régresseurs de tâches en convovant un vecteur des temps de début d’événement avec leurs durées avec une fonction de réponse hémodynamique canonique. Calculer les différences et les moyens entre les pistes dans chaque sujet pour les conceptions de modèles de niveau supérieur. Cela se traduira par un contraste entre les séquences structurées et aléatoires dans chaque type de stimuli.
    5. Créez une moyenne d’activation de groupe pour les blocs structurés par rapport aux blocs aléatoires dans chaque modalité/domaine.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Résultats comportementaux basés sur le Web
Étant donné que le protocole actuel est conçu pour faciliter la diffusion avec les populations développementales, nous avons inclus des résultats préliminaires basés sur le Web sur la base des données de 22 enfants d’âge scolaire en développement (âge moyen (M) = 9,3 ans, écart type (DD) âge = 2,04 ans, gamme = 6,2-12,6 ans, 13 filles). Dans le cas de l’apprentissage statistique sur le Web, les enfants ont obtenu des résultats nettement supérieurs à 0,5 chance à toutes les conditions, ce qui indique un apprentissage statistique réussi au niveau du groupe (voir le tableau 1 pour les statistiques; Figure 3). La pente moyenne du temps de réaction était négative et significativement inférieure à 0 dans l’état de syllabe (M = -0,01, SD = 0,02, t(14) = -2,36, p à une queue = 0,02) et légèrement significatif dans l’état de la lettre (M = -0,02, SD = 0,06, t(15) = -1,52, p à queue unique = 0,07, figure 4),ce qui suggère une accélération plus rapide de la détection des cibles au cours de la phase de familiarisation dans les tâches linguistiques. La pente moyenne du temps de réaction n’était pas significativement différente de zéro dans l’état de l’image (M = 0,02, SD = 0,04, t(17) = 1,54, p à une queue > 0,1) ou l’état de tonalité (M = 0,005, SD = 0,02, t(15) = -5,7 x 10-17, p à queue arrière > .1), malgré les preuves d’apprentissage dans les mesures de précision hors ligne. L’alpha de Cronbach était de 0,75 pour la tâche Lettre, de 0,09 pour la tâche de syllabe, de 0,67 pour la tâche Tone et de 0,86 pour la tâche Image. Les corrélations entre les mesures implicites (pente RT) et les mesures explicites (exactitude) de l’apprentissage statistique identifient une relation significative pour la tâche Image (R = -.48, p = 0,04) et la tâche lettre (R = -.54, p = 0,03). Les corrélations inter-tâches suggèrent en outre que les quatre tâches peuvent avoir un degré modeste de chevauchement du mécanisme d’apprentissage (figure 5). Bien que la précision sur les deux tâches visuelles ait été fortement corrélée (R = 0,60, p = 0,02), elles ont également été associées positivement à la précision sur la tâche de syllabe (Image R = 0,66, p = 0,01; Lettre R = 0,85, p < 0,001).

Résultats de l’IRMf
Les résultats préliminaires de l’IRMf étaient fondés sur les données de neuf enfants d’âge scolaire en développement. Ces neuf enfants étaient un sous-ensemble des 22 enfants inclus dans les résultats comportementaux basés sur le Web, car tous les enfants ne sont pas venus au laboratoire pour compléter la partie de l’IRMf de l’étude. Les neuf ont accompli les tâches d’apprentissage statistique auditif(M âge = 10,77 ans, DD = 1,96 ans, gamme = 7,7-13,8 ans, 4 filles) et sept ont accompli les tâches d’apprentissage statistique visuel(M âge = 11,41 ans, SD = 2,37 ans, gamme = 7,7-13,8 ans, 4 filles). Lorsqu’on compare les blocs structurés à des blocs aléatoires, des grappes importantes ont été observées dans les quatre conditions (figure 6). Dans l’état de syllabe, une plus grande activation a été trouvée au gyrus temporel supérieur gauche, à l’insula droit/operculum frontal, et au gyrus cingulaire antérieur. Dans l’état de tonalité, une plus grande activation a été trouvée au gyri temporel moyen gauche, gyri angulaire bilatéral, pôle frontal gauche, cortex occipital latéral droit, insula droit, et operculum frontal droit. Dans l’état de lettre, une plus grande activation a été trouvée au planum temporel gauche. Dans l’état d’image, une plus grande activation a été trouvée au cortex occipital latéral droit. Ces résultats préliminaires suggèrent que les modèles d’activation neuronale des enfants diffèrent selon l’apprentissage des régularités statistiques selon la modalité et le domaine des stimuli présentés. La conception actuelle des tâches est sensible à ces différences et peut identifier des régions d’activation spécifiques à la tâche semblables aux études antérieures20,25.

Résultats comportementaux de l’IRMf
Pour démontrer l’apprentissage dans la partie irMf de cette étude, nous avons inclus les résultats comportementaux in-scanner de 28 adultes (âge M = 20,8, SD = 3,53, 20 femmes), car les données de 9 enfants n’étaient pas suffisantes pour calculer des statistiques fiables. Nos résultats chez les adultes indiquent que l’apprentissage s’est produit avec succès dans toutes les tâches de la séquence structurée, soutenue par un temps de réponse beaucoup plus rapide dans la structure par rapport à l’état aléatoire, sauf dans le cas de la tâche de tonalité (voir le tableau 2 pour les statistiques).

Pris ensemble, nos mesures web de l’exactitude, et l’activation accrue pour les séquences structurées par rapport aléatoires dans le scanner, indiquent que ce protocole peut être mis en œuvre avec les populations développementales pour évaluer l’apprentissage statistique entre les domaines et les modalités au sein d’un individu. Notre IRM comportementale se traduit par une population adulte mettre davantage l’accent sur l’utilité de ce protocole dans la mesure de l’apprentissage des séquences structurées comme il se déroule en temps réel, ainsi que la capacité de mettre en œuvre les protocoles web et IRMf indépendamment.

Figure 1
Figure 1 : Phase de familiarisation des quatre tâches d’apprentissage statistique. Des triplets d’exemples à chaque tâche sont représentés dans cette figure. Chaque stimulus visuel est apparu pour 800 ms avec un ISI de 200 ms, et chaque stimulus auditif a été entendu pendant 460 ms avec un ISI de 20 ms. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 2
Figure 2 : Modification de la familiarisation pour les tâches d’apprentissage statistique de l’IRMf. La tâche de l’IRMf était similaire à la phase de familiarisation basée sur le Web, mais a introduit une séquence aléatoire qui a été contrebalancée dans tous les domaines. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 3
Figure 3 : Précision moyenne de l’apprentissage statistique (SL) dans la tâche web par rapport au niveau du hasard. Les résultats indiquent que les individus ont obtenu des résultats nettement supérieurs au risque sur les quatre tâches, ***à une queue p < .001, ** < 0,01, * < 0,05. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 4
Figure 4 : Pente de temps de réaction moyenne dans la tâche basée sur le Web contre zéro. Une pente plus négative indique une accélération plus rapide de la détection de la cible pendant la familiarisation. La détection des cibles s’est considérablement améliorée au cours de l’exposition pendant la tâche de syllabe. † p à queue non-queue = 0,07, * < 0,05. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 5
Figure 5 : Corrélations entre tâches basées sur le Web pour les quatre tâches d’apprentissage statistique. (a) Les valeurs non significatives à un alpha de 0,05 sont affichées avec un fond blanc. Toutes les comparaisons avec un fond coloré dénotent des effets significatifs. b) Taille de l’échantillon pour chaque comparaison en couple. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 6
Figure 6 : Activation neuronale au niveau du groupe pour les blocs structurés par rapport aux blocs aléatoires dans chaque modalité et domaine. Des grappes significatives ont été seuils à 0,001 p< 0,001 au niveau du cluster et au niveau du cluster p < 0,05 pour chaque tâche. Des tranches horizontales ont été sélectionnées pour représenter le cluster avec la valeur z maximale. La barre de couleur dans le coin inférieur, à droite reflète la même échelle pour toutes les parcelles. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Condition Veux dire Écart Test À une queue
Image 0.63 0.21 t(17) = 2,64, p = 0,009
Lettre 0.66 0.16 t(15) = 3,98, p < 0,001
Ton 0.60 0.15 t(16) = 2,83, p = 0,006
Syllabe 0.55 0.1 t(14) = 2,06, p = 0,03

Tableau 1 : Précision sur le Web par condition. Les tests t à échantillon unique représentent des différences de groupe par rapport à 0,5 niveau de chance.

Structuré Aléatoire
Condition Veux dire Écart Veux dire Écart Échantillons jumelés T-test
Image 468.1 76.04 493.4 60.33 t(27) = -2,01, p = 0,05
Lettre 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*
Syllabe 589.3 180.95 679.9 55.99 t(26) = -2,51, p = 0,02*
*Un sujet avait trop peu de presses à boutons pour calculer une valeur pour la tâche de tonalité ou de syllabe.

Tableau 2 : Différences de performance comportementale de l’IRM sur les séquences aléatoires par rapport aux séquences structurées entre les quatre tâches chez les adultes. Les tests t d’échantillons appariés représentent des différences de groupe dans l’apprentissage des séquences structurées par rapport aux séquences aléatoires.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Les méthodes présentées dans le protocole actuel fournissent un paradigme multimodal pour comprendre les indices comportementaux et neuronaux de l’apprentissage statistique tout au long du développement. La conception actuelle permet d’identifier les différences individuelles dans la capacité d’apprentissage statistique entre les modalités et les domaines, qui peuvent être utilisées pour une étude future de la relation entre l’apprentissage statistique et le développement du langage. Étant donné que la capacité d’apprentissage statistique d’une personne varie d’un domaine à l’autre et de modalités6,,8,,9,il est optimal si les participants accomplissent les quatre tâches. Les résultats d’enfants et d’adultes en développement sont généralement indiquent que le rendement d’une personne dans les domaines d’apprentissage statistiques et les modalités peut se rapporter différemment au vocabulaire4 et à la lecture5,,6 résultats. Par conséquent, nous recommandons que des mesures supplémentaires des capacités cognitives et linguistiques soient prises pour se rapporter aux mesures de l’apprentissage statistique prises dans le protocole actuel.

La recherche a signalé une cohérence interne raisonnable et la fiabilité des tests-retent fntent de ces tâches d’apprentissage statistique pour les adultes8,42. Toutefois, les préoccupations relatives à la fiabilité des tâches pour les enfantsde 42 ans et une discussion récente sur les questions générales de mesure9 indiquent qu’il est urgent d’élaborer des mesures de l’apprentissage statistique, qui tiennent compte des caractéristiques du développement des enfants. Bien que nos recherches antérieures, ainsi que les données préliminaires du protocole actuel, indiquent une cohérence interne élevée pour les tâches d’apprentissage statistique non linguistique chez les enfants d’âge scolaire âgés de 8 à 16 ans6, notre recherche a également confirmé une fiabilité des tâches moins satisfaisante, en particulier dans l’apprentissage statistique linguistique auditif qui a été rapporté avant42ans . Les différences de cohérence interne entre les tâches sont particulièrement intrigantes à la lumière des résultats récents sur l’impact des expériences linguistiques antérieures d’un apprenant sur les résultats de l’apprentissage statistique18,43,44. Le développement de la langue et de la lecture change rapidement pendant les années scolaires. L’apprentissage de chaque triplet linguistique auditif peut différer considérablement au sein de chaque enfant, selon son stade de développement et ses capacités linguistiques actuelles. La combinaison de notre protocole avec d’autres mesures de différence individuelles offrira une occasion passionnante d’étudier l’effet en cascade entre les compétences existantes et l’apprentissage ultérieur sous-jacent à l’hétérogénéité de la performance d’apprentissage statistique tout au long du développement.

Un avantage important de la conception actuelle est dans son utilité pour mesurer l’apprentissage statistique via une plate-forme web en ligne. Les chercheurs doivent être conscients de ce qui suit lorsqu’ils examinent l’exactitude des mesures de temps de réaction via un navigateur Web. de Leeuw et Motz (2016)45 ont constaté que les temps de réponse mesurés via un navigateur Web étaient environ 25 ms plus longs que ceux mesurés via d’autres logiciels de présentation de données standard. Fait important, ce retard s’est avéré constant dans tous les essais. Étant donné que notre mesure de l’apprentissage en temps réel dans les tâches basées sur le Web est la pente du changement dans le temps de réaction, les effets du retard dans le temps de réaction a été minimisé à l’aide de comparaisons à l’intérieur du sujet. de Leeuw (2015)30 a également reconnu que le temps de réaction mesuré via jsPsych peut être affecté par des facteurs tels que la vitesse de traitement de l’ordinateur ou le nombre de tâches chargées en arrière-plan. Pour minimiser ces effets, nous recommandons de normaliser le temps de réponse au sein de chaque participant avant de calculer la pente30du temps de réponse.

Le protocole actuel, qui fournit des méthodes robustes pour démontrer une grande variabilité dans le comportement d’apprentissage entre les domaines et les modalités, est conçu pour étudier les différences individuelles de l’apprentissage statistique. Toutefois, ce protocole n’est pas approprié pour étudier des questions telles que la question de savoir si l’apprentissage statistique visuel est intrinsèquement plus facile que l’apprentissage statistique auditif. L’interprétation des différences de performance au niveau du groupe entre les tâches est difficile en raison de tous les facteurs de confusion que nous ne sommes pas en mesure de contrôler, tels que la familiarité stimuli14,43,46,47 , salience sensorielle, et la vitesse de traitement28. En ce qui concerne la familiarité des stimuli, il est bien établi que les expériences antérieures d’une personne avec les stimuli peuvent influencer leur performance d’apprentissage statistique. En outre, les tâches visuelles et auditives sont difficiles à comparer directement en raison des différences dans la salience des stimuli et le taux de présentation entre ces modalités. Par conséquent, nos méthodes sont conçues dans le but d’étudier les différences individuelles dans l’apprentissage statistique. Cependant, avec des approches avancées d’analyse de l’IRMf, notre protocole est approprié pour étudier des questions théoriques sur la nature de l’apprentissage statistique, par exemple nous pouvons demander quels réseaux cérébraux sont sensibles aux régularités dans chaque domaine et comment les modèles de l’engagement neuronal diffèrent / se chevauchent.

Le protocole actuel a été élaboré pour être adapté aux enfants et facilement accessible afin de maximiser la recherche sur les populations neurotypiques et atypiques. Au cours de la mise en œuvre de ce protocole avec les jeunes enfants ou ceux qui ont des troubles du développement, une étape critique est de donner des pauses entre chaque tâche SL pour éviter la fatigue. Chaque condition des tâches basées sur le Web peut être diffusée individuellement pour soulager les exigences cognitives. Avant la numérisation, le scanner simulé peut être utilisé pour réduire l’anxiété de l’enfant et le mouvement de la tête en préparation pour la tâche réelle fMRI. Un autre problème dont le chercheur devrait être au courant se rapporte à une préoccupation générale lors de la réalisation d’une étude de neuroimagerie : le mouvement. Un mouvement de la tête de rotation de seulement 0,3 mm peut provoquer la manifestation d’artefacts. Dans un effort pour minimiser la probabilité d’artefacts de mouvement, le protocole actuel a limité chaque exécution à durer moins de 5 minutes48. Les participants devraient être encouragés à rester immobiles pendant chaque course de 5 minutes, mais ils doivent se déplacer ou s’étirer entre les pistes afin de réduire le mouvement pendant la numérisation réelle. Nous recommandons également des techniques rigoureuses d’analyse des données pour corriger les artefacts liés au mouvement sur les donnéesde l’IRMf 49.

Compte tenu de la contribution essentielle de la capacité d’apprentissage statistique lors de l’acquisition ultérieure de la langue, il est nécessaire d’élaborer des mesures plus complètes et fiables qui évaluent à la fois l’apprentissage en temps réel et hors ligne des régularités statistiques. La proposition actuelle est une première étape vers la définition de la façon dont les différences individuelles dans la capacité d’apprentissage statistique basée sur le domaine/la modalité peuvent tenir compte des variations dans les résultats ultérieurs de la langue.

Le protocole actuel, qui fournit des méthodes robustes pour démontrer une grande variabilité dans le comportement d’apprentissage entre les domaines et les modalités, est conçu pour étudier les différences individuelles de l’apprentissage statistique. Toutefois, ce protocole n’est pas approprié pour étudier des questions telles que la question de savoir si l’apprentissage statistique visuel est intrinsèquement plus facile que l’apprentissage statistique auditif. L’interprétation des différences de performance au niveau du groupe entre les tâches est difficile en raison de tous les facteurs de confusion que nous ne sommes pas en mesure de contrôler

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à révéler.

Acknowledgments

Nous remercions Yoel Sanchez Araujo et Wendy Georgan pour leur contribution à la conception initiale de la plate-forme web. Nous remercions An Nguyen et Violet Kozloff pour leur travail sur l’amélioration des tâches d’apprentissage statistique sur le Web, la mise en œuvre des tâches de l’IRMf et le pilotage des tâches des participants adultes. Nous remercions Violet Kozloff et Parker Robbins pour leur contribution à la collecte de données chez les enfants. Nous remercions Ibrahim Malik, John Christopher, Trevor Wigal et Keith Schneider du Center for Biological and Brain Imaging de l’Université du Delaware pour leur aide dans la collecte de données de neuroimagerie. Ces travaux sont financés en partie par l’Institut national sur la surdité et d’autres troubles de la communication (PI: Qi; NIH 1R21DC017576) et la Direction de la National Science Foundation pour les sciences sociales, comportementales et économiques (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

Neuroscience Numéro 160 apprentissage statistique web IRMf domaine modalité enfants
Mesurer l’apprentissage statistique dans toutes les modalités et domaines des enfants d’âge scolaire via une plate-forme en ligne et des techniques de neuroimagerie
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