Waiting
Login processing...

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

Neuroscience

Måling av statistisk læring på tvers av modaliteter og domener hos barn i skolealderen via en nettbasert plattform og neuroimagingsteknikker

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

Summary

Presentert her er en protokoll som introduserer et sett med barnevennlige statistiske læringsoppgaver rettet mot å undersøke barns læring av timelige statistiske mønstre på tvers av domener og sensoriske modaliteter. De utviklede oppgavene samler inn atferdsdata ved hjelp av den nettbaserte plattformen og oppgavebaserte funksjonelle magnetiske resonansavbildningsdata (fMRI) for å undersøke nevrale engasjement under statistisk læring.

Abstract

Statistisk læring, en grunnleggende ferdighet for å trekke ut regulariteter i miljøet, regnes ofte som en kjernestøttemekanisme for førstespråkutviklingen. Mens mange studier av statistisk læring utføres innenfor et enkelt domene eller modalitet, tyder nyere bevis på at denne ferdigheten kan variere basert på konteksten der stimuli presenteres. I tillegg er det få studier som undersøker læring når det utfolder seg i sanntid, og fokuserer heller på utfallet av læringen. I denne protokollen beskriver vi en tilnærming for å identifisere det kognitive og nevrale grunnlaget for statistisk læring, innenfor et individ, på tvers av domener (språklig vs. ikke-språklige) og sensoriske modaliteter (visuelle og auditive). Oppgavene er utformet for å kaste så lite kognitiv etterspørsel som mulig på deltakerne, noe som gjør den ideell for unge barn i skolealderen og spesielle populasjoner. Atferdsoppgavens nettbaserte natur gir oss en unik mulighet til å nå mer representative befolkninger over hele landet, estimere effektstørrelser med større presisjon og bidra til åpen og reproduserbar forskning. De nevrale tiltakene som tilbys av den funksjonelle magnetiske resonansavbildningsoppgaven (fMRI) kan informere forskere om nevrale mekanismer som er engasjert under statistisk læring, og hvordan disse kan variere på tvers av individer på grunnlag av domene eller modalitet. Til slutt tillater begge oppgavene måling av sanntidslæring, da endringer i reaksjonstiden til et målstimulans spores over eksponeringsperioden. Hovedbegrensningen ved å bruke denne protokollen er knyttet til eksperimentets timelange varighet. Barn må kanskje fullføre alle fire statistiske læringsoppgaver i flere sitteplasser. Derfor er den nettbaserte plattformen utformet med denne begrensningen i tankene, slik at oppgaver kan spres individuelt. Denne metodikken vil tillate brukere å undersøke hvordan prosessen med statistisk læring utfolder seg på tvers av og innenfor domener og modaliteter hos barn fra ulike utviklingsbakgrunner.

Introduction

Statistisk læring er en elementær ferdighet som støtter oppkjøpet av regelstyrte kombinasjoner i språkinnspill1. Vellykket statistisk læringsevne hos spedbarn spår senere språklæring suksess2,3. Variasjon i statistiske læringsferdigheter hos barn i skolealderen har også vært forbundet medordforråd 4 og lesing5,6. Vanskeligheter med statistisk læring er foreslått som en etiologisk mekanisme underliggende språkforringelse7. Til tross for sammenhengen mellom statistisk læring og språkutfall i både nevrotypiske og atypiske populasjoner, forblir de kognitive og nevrale mekanismene som ligger til grunn for statistisk læring dårlig forstått. I tillegg har tidligere litteratur vist at innenfor en individuell, statistisk læringsevne ikke er ensartet, men uavhengig på tvers av domener ogmodaliteter 6,8,9. Utviklingsbanen for statistiske læringsevner kan ytterligere variere på tvers av domener og modaliteter10. Disse funnene understreker viktigheten av å vurdere individuelle forskjeller i statistisk læring på tvers av flere oppgaver gjennom hele utviklingsforløpet. Feltet krever imidlertid først en mer systematisk undersøkelse av forholdet mellom statistisk læring og førstespråkutvikling. For å løse disse spørsmålene bruker vi innovative metoder, inkludert en nettbasert testplattform11 som når et stort antall barn, og laboratoriebaserte neuroimaging teknikker (funksjonell magnetisk resonansavbildning, eller fMRI) som undersøker sanntidskoding av statistisk informasjon.

Standard mål for statistisk læring begynner med en familiarization fase og etterfølges av en to-alternativ tvungen valg (2-AFC) oppgave12,13. Den kjente fasen introduserer en kontinuerlig strøm av stimuli innebygd med statistiske regulariteter, hvor noen stimuli er mer sannsynlig å samtidig forekomme sammen enn andre. Presentasjonen av disse samtidig forekommende stimuli følger en fast timelig rekkefølge. Deltakerne blir passivt eksponert for strømmen i fortrolighetsfasen, etterfulgt av en 2-AFC-oppgave som tester om deltakeren vellykket hentet ut mønstrene. Nøyaktighetsoppgaven 2-AFC presenterer to påfølgende sekvenser: en sekvens er presentert for deltakeren i fortrolighetsfasen, mens den andre er en ny sekvens, eller inneholder en del av sekvensen. Nøyaktighet over sjanse på 2-AFC ville indikere vellykket læring på gruppenivå. Tradisjonelle atferdsoppgaver som vurderer statistisk læring, er generelt avhengig av nøyaktighet som resultatmål for læring. Nøyaktigheten klarer imidlertid ikke å ta høyde for den naturlige læringen av informasjon som den utfolder seg i tide. Et mål på sanntidslæring er nødvendig for å benytte seg av den implisitte læringsprosessen for statistisk læring der barn fortsatt koder regelmessighetene frainngangene 14,,15,,16. Ulike tilpasninger på tvers av paradigmer har blitt utviklet i et forsøk på å bevege seg bort fra 2-AFC-tiltaket, mot tiltak for on-line læring gjennom atferdsresponser undereksponeringen 16. Studier som benytter disse tilpasningene som måler reaksjonstiden i eksponeringsfasen fant at de var relatert til nøyaktighet etter læring17 med bedre testtest pålitelighet sammenlignet med nøyaktigheten hos voksne elever18.

Nevrale tiltak er også grunnleggende for vår forståelse av hvordan læring utfolder seg over tid, da den implisitte prosessen der språklæring skjer, rekrutterer sannsynligvis forskjellige nevrale ressurser fra de som brukes når språket erlært 19. Nevrale tiltak gir også innsikt i forskjeller i kognitive spesialiseringer underliggende språkevne på tvers av spesielle populasjoner20. Hvordan tilstandskontrasten er utformet i en fMRI-studie er avgjørende for hvordan vi tolker mønstre for neural aktivering under læring. En vanlig praksis er å sammenligne hjerneresponser under familiariseringsfasen mellom sekvenser som inneholder vanlige mønstre versus de som inneholder de samme stimuli som bestilles tilfeldig. Imidlertid fant tidligere forskning som implementerer en slik tilfeldig kontrolltilstand ingen bevis for læring i atferd, til tross for nevrale forskjeller mellom strukturerte og tilfeldige sekvenser. Dette kan skyldes forstyrrelsen av tilfeldige sekvenser om læring av strukturerte sekvenser, da begge ble konstruert fra samme stimuli21,22. Andre fMRI studier som benyttet bakover tale eller tidligere læringsblokker som kontrolltilstand bekreftet læring fant stedatferdsmessig 19,23. Imidlertid introduserte hvert av disse paradigmene sin egen forvirrende faktor, for eksempel effekten av språkbehandling for den tidligere saken og effekten av den eksperimentelle rekkefølgen for sistnevnte tilfelle. Vårt paradigme bruker den tilfeldige sekvensen som kontrolltilstand, men reduserer deres innblanding på deltakernes læring av de strukturerte sekvensene. Vårt fMRI paradigme implementerer også en blandet blokk / hendelsesrelatert design, noe som gjør det mulig for samtidig modellering av forbigående prøverelaterte og vedvarende oppgaverelaterte BOLD-signaler24. Til slutt, og mer generelt, nevrale tiltak tillate måling av læring i populasjoner der eliciting en eksplisitt atferdsrespons kan være vanskelig (f.eks utviklingsmessige og spesielle populasjoner)25.

Den nåværende protokollen vedtar et responstidsmål, i tillegg til tradisjonelle nøyaktighetstiltak, og undersøker hjerneaktivering i fortrolighetsfasen. Kombinasjonen av disse metodene tar sikte på å gi et rikt datasett for undersøkelse av læringsprosesser i sanntid. Den nettbaserte plattformen tilbyr et sett med læringstiltak ved å inkludere både responstid i eksponeringsfasen og nøyaktigheten til 2-AFC-oppgaven i testfasen. Neuroimaging protokollen gjør det mulig for undersøkelse av de underliggende nevrale mekanismer som støtter statistisk læring på tvers av domener og modaliteter. Selv om det er optimalt å måle statistisk læring hos en person ved hjelp av både nettbaserte og fMRI-protokoller, utformes oppgavene slik at de kan spres uavhengig, og derfor som to uavhengige tiltak for statistisk læring. FMRI-eksperimentene som inngår i den nåværende protokollen, kan bidra til å klargjøre hvordan stimulanskoding, mønsterutvinning og andre bestanddeler av statistisk læring er representert av bestemte hjerneregioner og nettverk.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Alle deltakerne ga skriftlig samtykke til å delta og studere ble gjennomført i samsvar med Institutional Review Board.

1. Oversikt over det statistiske læringsparadigmet som benyttes i den nettbaserte protokollen

  1. Inkluder fire oppgaver i det nåværende paradigmet: bilde (visuell-nonlinguistic), brev (visuell-språklig), tone (auditiv-nonlinguistic), og stavelse (auditiv-språklig).
    1. Konstruer stimuli for visuelle oppgaver ved hjelp av 12 frittstående fremmede tegneseriebilder (bilde) og 12 bokstavs bilder (bokstav; B, J, K, A, H, C, F, E, J, G, D, M) som viser samme romvesen som holder opp 12 tegn med store bokstaver skrevet på dem.
    2. Konstruer auditive stimuli ved hjelp av 12 engelske stavelser (stavelse; pi,pu,pa,ti,tu.ta,di,du,da,bi,bu,ba) og 12 musikalske toner innenfor samme oktav (tone; F,G,D,G#,C#,B,C,F#,D#,E,A,A#). Stavelse stimuli kan gjøres ved hjelp av en kunstig tale synthesizer, og kan tas opp som separate filer i Praat26,27.
  2. I fortrolighetsfasen kan du presentere stimuli i en strukturert bekk (se figur 1). Tilbakemelding gis ikke på noe tidspunkt i fortrolighets- eller testfasen.
    MERK: I hver oppgave etterfølges en fortrolig fase umiddelbart av en testfase.
    1. For oppgaven Bilde (visuell-ikke-lingistisk) strukturerer du 12 bilder i fire måltrillinger. I fortrolighetsfasen gjentar du hver av de fire måltrillingene 24 ganger for totalt 96 trillinger.
      MERK: De 96 trillingene er tilfeldig sammenkoblet til en kontinuerlig strøm, med begrensningen at ingen trilling umiddelbart kan gjentas. Bilder presenteres en om gangen i midten av skjermen. Hvert bilde presenteres for 800 ms med 200 ms inter-stimulus intervall. Hele fortrolighetsfasen vil vare i 4 min 48 s.
    2. Sørg for at testfasen alltid følger fortrolighetsfasen og består av 32 to alternative tvangsvalg (2AFC) spørsmål. For hvert spørsmål, inkluderer 2 alternativer: et mål trilling fra familiarization fasen og en trilling som ikke var inkludert i familiarization fasen, referert til som en folie trilling.
      MERK: Folietrillinger er konstruert slik at den relative posisjonen til hvert bilde i folietrillingen er den samme som måltrillingen. Hvert mål og folie trilling presenteres 8 ganger totalt i en test, og hvert folie-mål par gjentas. Testfasen består av 32 (4 mål trillinger x 4 folie trillinger x 2 repetisjoner) tilfeldig bestilte studier.
    3. For bokstaven (visuell-språklig) oppgaven inkluderer 12 bilder av store bokstaver som er organisert i fire mål trillinger (GJA, FKC, LBE, og MDH).  For testfasen, lage 4 folie trillinger (GDE, FJH, LKA, og MBC) og par dem med målet trillinger for å danne 32 2AFC teststudier. Ingen bokstavtrilling kan inneholde ord, vanlige akronymer eller initialismer.
    4. For tonen (auditiv-nonlinguistic) oppgaven inkluderer 12 musikalske rene toner innenfor samme oktav (en full kromatisk skala fra midten C) og sammenkoble dem til fire mål trillinger (F # DE, ABC, C # A # F, og GD # G #). I motsetning til i de visuelle oppgavene, er presentasjonshastigheten raskere på grunn av forskjeller i auditiv perseptuellpreferanse 6,28,29.
      MERK: Hver av de fire måltrillingene gjentas 48 ganger for totalt 192 trillinger (dobbelt så mye som de visuelle forholdene). Alle trillinger er sammenkoblet til en lydstrøm uten at trilling gjentas to ganger på rad. Rene toner presenteres ett om gangen mens deltakerne viser en tom skjerm. Varigheten av hver tone er 460 ms med et 20 ms inter-stimulus intervall. Hele bekken varer ca 4 min og 36 s. Som i de visuelle oppgavene følger en testfase på 32 2AFC-studier med par med mål- og folietrillinger (F# BF, AA # G #, C # D # E, GDC) umiddelbart kjentiseringsfasen.
    5. For stavelse (auditiv-språklig) oppgave bruk 12 konsonant vokal (CV) stavelser opprettet og gruppert i fire mål trillinger (pa-bi-ku, go-la-tu, da-ro-pi, og ti-bu-do). Varigheten av hver stavelse og inter-stimulus intervallet er det samme som tonetilstanden. Par fire folie trillinger (pa-ro-do, go-bu-ku, da-bi-tu, og ti-la-pi) med målet trillinger i testfasen.
  3. Randomiser rekkefølgen på de fire statistiske læringsoppgavene på tvers av deltakerne.

2. Rekruttering av deltakere

MERK: Selv om den nettbaserte protokollen og fMRI-protokollen er best implementert sammen i én enkelt deltaker, skisserer vi her de beste fremgangsmåtene for deltakerrekruttering for hver oppgave uavhengig.

  1. Nettbasert deltakerrekruttering
    1. Rekruttere deltakere i alderen 6 år og eldre. Deltakere av noe kjønn, rase og etnisitet kan delta; Studieutvalget bør imidlertid være representativt for befolkningen.
    2. Rekruttere deltakere som er en morsmål engelsktalende og har blitt utsatt for ingen språk i tillegg til engelsk før fylte 5 år.
    3. Sørg for at de ikke rapporterer noen kjent psykologisk (inkludert ADD, depresjon, PTSD og klinisk angst) og / eller nevrologisk tilstand (inkludert hjerneslag, anfall, hjernesvulst eller lukket hodeskade).
    4. Sørg for at deltakerne har normal eller korrigert til normal syn (briller eller kontakter er ok), normalt fargesyn og normal hørsel (ingen høreapparat eller cochleaimplantatenheter).
  2. Oppgavebasert rekruttering av fMRI-deltakere
    1. Rekruttere deltakere i alderen 6 år og eldre. Deltakere av noe kjønn, rase og etnisitet kan delta; Studieutvalget bør imidlertid være representativt for befolkningen.
    2. For å være kvalifisert, rekruttere deltakere som er morsmål engelsktalende og har aldri vært utsatt for noen språk i tillegg til engelsk før fylte 5 år.
    3. Rekruttere høyrehendte personer, uten kjent psykologisk (inkludert ADD, depresjon, PTSD og klinisk angst) og nevrologisk tilstand (inkludert hjerneslag, anfall, hjernesvulst eller lukket hodeskade).
    4. Ekskluder deltakere som er gravide, klaustrofobiske, tar psykoaktive stoffer, eller har metall i kroppen (inkludert pacemakere, nevrale implantater, metallplater eller ledd, splinter og kirurgiske stifter).
    5. Sørg for at deltakerne har normal eller korrigert til normal syn (briller eller kontakter er ok), normalt fargesyn og normal hørsel (ingen høreapparat eller cochleaimplantatenheter).
    6. Bestem om hvor du er kvalifisert til å delta i MR-en ved å få deltakerne (eller foreldre hvis deltakeren er mindreårig) til å fylle ut et MR-sikkerhetsscreeningskjema.

3. Nettbasert protokoll

MERK: Det nettbaserte statistiske læringsparadigmet ligger på et sikkert nettsted (https://www.cogscigame.co11) og utviklet ved hjelp av jsPsych, et JavaScript-bibliotek for å lage atferdseksperimenter pånettet 30.

  1. For å reprodusere oppgaver, gå til DOI: 10.5281/zenodo.3820620. Alle skript og materialer er offentlig tilgjengelige. Forskere kan endre skriptene og kjøre eksperimentene lokalt i en hvilken som helst nettleser så lenge alle banene for utdatafilene er riktig konfigurert.
  2. Be deltakerne fullføre en omslagsoppgave der de blir bedt om å trykke på en knapp når de ser et bestemt mål i alle fortrolighetsfaser av hver statistiske læringsoppgave.
  3. Målstimulanstilordning for hver oppgave
    1. I bildet, bokstaven og stavelse oppgaver, tilfeldig velge en av de fire trillinger og tilordne målet til den tredje stimulansen av trilling. I toneoppgaven begrenser du målstimulansen til bare de laveste eller høyeste tonene i den tredje stimulansen i trillingene, og tilordne målet til den tredje stimulansen av trilling. Dette gjøres fordi tone stimuli er relativt vanskeligere å diskriminere enn andre typer stimuli.
    2. I stavelse og tone oppgaver, introdusere deltakerne til en fremmed og favoritt ord / notat i sin fremmede språk / folkemusikk. Fortell deltakerne at de vil lytte til romvesenets språk / musikk og å huske å trykke på mellomromstasten når de hører favorittordet / notatet " ved å slette mellomrommet mellom / og notatet.
    3. I bildeoppgaven, be deltakerne om å holde styr på en spesiell fremmed som en gruppe romvesener linje opp for å gå inn i et romskip. I brevoppgaven, be deltakerne om å holde styr på romvesenets favoritttegn som fremmede holder opp tegn for en parade. Gi deltakerens praksisprøve i både bilde- og bokstavoppgaver.
    4. Ikke gi eksplisitte instruksjoner om tilstedeværelsen av trillinger.
    5. Mål responstid over de 24 studiene i de visuelle oppgavene og over de 48 studiene i de auditive oppgavene for å vurdere online læring.
    6. I testfasen presenteres både et mål (inkludert i fortrolighetsfasen) og folietrilling (ikke inkludert i fortrolighetsfasen) for deltakeren. Be deltakerne om å velge hvilken av de to som ligner mer på det de så eller hørte i fortrolighetsfasen. Hver studie må avsluttes med et svar.
  4. Atferdsmål for statistisk læring i den nettbaserte protokollen
    1. Mål sanntidslæringen i løpet av fortrolighetsfasen via den lineære hellingen av reaksjonstiden (endring i reaksjonstiden gjennom hele fortrolighetsfasen).
    2. For å bli betraktet som et gyldig svar på målet, må du kontrollere at tastetrykket må være i tidsvinduet til en stimulans før og en stimulans etter målstimulansen. Det er -480 ms til +960 ms i forhold til utbruddet av målet i de auditive oppgavene og -1000 ms til +2000 ms i de visuelle oppgavene. Et tastetrykk før målet anses som forventning og gir dermed en negativ reaksjonstid.
    3. For å sammenligne reaksjonstider på tvers av forholdene, forvandle reaksjonstidene til hver deltaker for hver oppgave til z score. Dette normaliserer reaksjonstidene til en person slik at score på tvers av oppgaver kan sammenlignes.
    4. Beregn en reaksjonstidshelling for hver deltaker for hver betingelse ved hjelp av lineær regresjon. Skriv inn z-normed reaksjonstidene som den avhengige variabelen og målprøverekkefølgen som den uavhengige variabelen (visuell: 1 til 24; auditiv: 1 til 48). Hellingen av den lineære regresjonslinjen (Betakoeffisient/estimat) er reaksjonstidsstigningen (RT-helling).
    5. Mål frakoblet nøyaktighet for hver deltaker for hver betingelse ved å dele antall riktige forsøk fra testfasen med totalt antall forsøk (32 studier).

4. Oppgavebasert fMRI-protokoll

  1. Endringer i det statistiske læringsparadigmet (figur 2).
    1. For hver oppgave kan du presentere både en strukturert sekvens (som inneholder statistiske regelmessigheter) og en tilfeldig sekvens (ingen statistiske regelmessigheter).
      MERK: Strukturerte sekvenser er identiske med de som er beskrevet for den nettbaserte protokollen (se figur 1). I motsetning inneholder tilfeldige sekvenser de samme 12 stimuli som presentert i de strukturerte sekvensene, men bestilles pseudo-tilfeldig. Ingen kombinasjoner av tre stimuli gjentas mer enn én gang.
    2. Del hver sekvens i seks mindre blokker av lik lengde (24 stimuli for de visuelle oppgavene og 48 stimuli for hørselsoppgavene).
    3. Sammenkoble tre strukturerte blokker, 3 tilfeldige blokker og 6 hvileblokker (stillhet med en tom skjerm) i en pseudorandom for å skape fire kjøringer av auditive stimuli og fire kjøringer av visuelle stimuli. Hvis du vil maksimere læringen av de strukturerte sekvensene, må du kontrollere at de tilfeldige blokkene i hver kjøring inneholder et annet domene enn den strukturerte sekvensen (f.eks. stavelse strukturerte sekvenser presenteres sammen med tone tilfeldige sekvenser i én kjøring, og stavelse tilfeldige sekvenser presenteres sammen med tonestrukturerte sekvenser i en annen kjøring).
    4. Inkluder 288 bilder som skal presenteres i hver kjøring for den visuelle oppgaven som varer ca. 4,77 min. Inkluder 576 lyder som skal presenteres i den hørbare oppgaven som varer ca. 4,42 min. I begynnelsen av hver blokk presenterer du et signal om målet med en verbal og visuell sonde: "Hør/se etter [TARGET]".
    5. Blant de fire kjøringene av den visuelle oppgaven må du kontrollere at to inneholder strukturerte sekvenser av bilder, og de to andre inneholder strukturerte sekvenser med bokstaver. Blant de fire kjøringene av den auditive oppgaven, sørg for at to inneholder strukturerte sekvenser av stavelser og de to andre inneholder strukturerte sekvenser av toner.
  2. fMRI statistisk læringsprosedyre
    1. For å gjøre deltakerne, spesielt barn, komfortable i skanneren, kan du øve på MR-skanningsøkten først ved hjelp av enmock-skanner 31. En mock-skanner gir en naturalistisk opplevelse som ligner på den faktiske skanneøkten, men ligger vanligvis i et mer barnevennlig miljø.
    2. Først introdusere barnet til mock skanneren, det vil si hjernekamera, og sikre at de er komfortable før du setter dem i skanneren.
    3. Introdder dem til deres "scan-buddy" og forklar at hensikten med skanningen kompis er å holde dem ledsaget og hjelpe dem hvis de trenger noe. Skannekompisen vil forsiktig minne deltakeren om å holde seg i gang hvis det oppdages for mye bevegelse av "kameraet".
    4. Når de er i skanneren, kan du spille av barnevennlige videoer for å hjelpe dem med å akklimatisere seg til lyden og videoen. Når de er klare, spiller du av noen forhåndsinnspillede skannerlydklipp for å forberede dem på lydene som produseres av den virkelige MR-en. I løpet av denne tiden har dem øve på å holde seg i det hele tatt og jobbe med skannekompisen.
    5. Introdder barn til det statistiske læringsparadigmet og få dem til å øve utenfor skanneren. Dette gjøres ved å få barn til å fullføre en kort del av oppgaven på en datamaskin, på samme måte som den nettbaserte protokollen ved å utføre trinn 3.2.2 og 3.2.3 nevnt ovenfor.
      MERK: Praksisstimuli er de samme som de som benyttes i oppgaven; Barn blir imidlertid bare utsatt for den tilfeldige sekvensen og ikke de strukturerte sekvensene, noe som åpner for kort bolig til stimuli og oppgavekrav uten å muliggjøre læring av bestemte sekvenser.
    6. Kontroller at fMRI-datainnsamlingsprotokollen er riktig konfigurert på MR-anskaffelsesdatamaskinen.
      MERK: Oppkjøpsparametrene følger anbefalingene fra Adolescent Brain Cognitive Development (ABCD) Studie32.
    7. Start skanneøkten med T1-vektede skanninger med høy oppløsning. Skaff disse ved hjelp av en 176-skiver 3D MPRAGE (Magnetization Prepared Rapid Gradient Echo) volumskanning med TR (Repetition Time) = 2500 ms, TE (Echo Time) = 2,9 ms, flip vinkel = 8 °, FOV (Synsfelt) = 25,6 cm, 256 X 256 matrisestørrelse og 1 mm skivetykkelse. Dette oppkjøpet vil vare 7,2 min.
    8. For å innhente funksjonelle data, bruk T2 *-vektet ekko-planar imaging med samtidig multi-slice skanner oppkjøp med TR = 800 ms, TE = 32 ms, flip vinkel = 61°, FOV = 21 cm, og matrise = 64 x 64. I dette eksperimentet er 60 tilstøtende skiver kjøpt i en sammenflettet sekvens med 2,5 mm skivetykkelse, en 21 cm FOV og en 64 X 64 matrise, noe som resulterer i en oppløsning på 2,5 mm x 2,5 mm x 2,5 mm.
    9. Få deltakerne til å ligge komfortabelt på sengen til fMRI-skanneren med hodetelefoner som beskytter ørene mot skannerstøyen og en responspute/knappeboks i hånden (både hodetelefoner og knappeboks må være skannerkompatibel).
    10. Plasser ekstra polstring rundt hodet for å sikre begrenset hodebevegelse under datainnsamling. Gi knappen svarboksen til deltakeren på forhånd for å registrere svar og motvekt om venstre eller høyre hånd brukes til å trykke på knapper på tvers av deltakerne.
    11. Gi hvert barn muligheten til en skannekompis. For eldre, nevrotypiske barn som er komfortable uten en skannekompis, gi dem en klemmeball for å varsle eksperimentereren hvis de er bekymret eller trenger å stoppe. Gi yngre barn og spesielle populasjoner en klemball, men gi dem også en skannekompis for å hjelpe dem (beskrevet i 4.2.3).
    12. Plasser hodespolen over deltakerens hode og juster pasientens posisjon i sengen.
    13. På oppkjøpet datamaskinen registrere en ny deltaker. Angi deltaker-ID, fødselsdato, vekt og høyde. Deltakeren kan nå settes inn i boringen av MR.
    14. Skaff deg T1-vektet skanning mens du viser deltakerne en film.
    15. Før du begynner det statistiske læringsparadigmet, kan du gi deltakerne instruksjonene for hver oppgave ved å snakke med dem gjennom et intercom-system som er koblet til hodetelefonene.
    16. I de auditive oppgavene, fortell deltakerne: "Nå skal vi spille et knappetrykk. Du vil høre romvesenene si ord og spille musikk. Husk å trykke på knappen i venstre/høyre hånd når du hører lyden du lytter etter. Det vil være 4 deler, og hver del vil vare ca 5 min."
    17. I de visuelle oppgavene, fortell deltakerne: "Nå skal du se bildene av romvesenene og bokstavene. Når du ser bildet du leter etter, trykker du på knappen i venstre/høyre hånd. Du vil spille dette 4 ganger på rad. Det vil ta ca 5 minutter hver gang."
    18. Start det statistiske læringsparadigmet på presentasjonsdatamaskinen og tilegne deg oppgaven fMRI-data.
    19. Når deltakeren har fullført paradigmet, stopp MR, fjern dem trygt fra innsiden av skanneren og fjern hodespolen.
    20. Etter datainnsamling overfører du alle MR-data fra anskaffelsesdatamaskinen til en sikret server for videre analyser.
  3. fMRI-dataanalyser
    1. Analyser reaksjonstiden i skanneren under fMRI-oppgaven på samme måte som den nettbaserte beregningen av reaksjonstid i fortrolighetsfasen. Normaliser reaksjonstiden for å sammenligne på tvers av forhold, og beregn en lineær skråning ved hjelp av normalisert reaksjonstid for hver betingelse for en person.
    2. Når du analyserer fMRI-dataene, må du først organisere og konvertere data til Brain Imaging Data Structure33 (BIDS)-formatering ved hjelp av HeuDiConv34 (https://github.com/nipy/heudiconv).
    3. Forhåndsbehandle disse dataene ved hjelp av fMRIPrep35,36. Denne automatiserte forbehandlingsrørledningen kombinerer metodikk fra AFNI37,ANTs38,Freesurfer39,FSL40og Mindboggle41 for å gi vitenskapelig strenge og reproduserbare data for bruk i dataanalyse.
      MERK: Den nåværende studien implementerer en blandet blokk/hendelsesrelatert design. De representative resultatene (nedenfor) behandler hver miniblokk som en hendelse (f.eks. tilfeldig sekvens er en hendelse, strukturert sekvens er en hendelse osv.). Oppgaven er imidlertid også utformet slik at man kan modellere hver stimulans som en hendelse.
    4. Inkluder to oppgaveregretorer for hver kjøring ("bilde" og "bokstav" for den visuelle tilstanden, og "stavelse" og "tone" for hørselstilstanden) i modellutformingen på første nivå. Bestem oppgaveregretorer ved å convolving en vektor av hendelsessett ganger med deres varigheter med en kanonisk hemodynamic responsfunksjon. Beregne forskjeller og midler mellom kjøringer i hvert emne for modeller på høyere nivå. Dette vil resultere i en kontrast mellom strukturerte og tilfeldige sekvenser innenfor hver type stimuli.
    5. Opprett et gruppeslem for aktivering for strukturerte blokker sammenlignet med tilfeldige blokker i hver modalitet/domene.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Nettbaserte atferdsresultater
Gitt den nåværende protokollen er utformet for enkel formidling med utviklingspopulasjoner, har vi inkludert foreløpige nettbaserte resultater basert på data fra 22 utviklende barn i skolealder (Gjennomsnitt (M) alder = 9,3 år, Standard avvik (SD) alder = 2,04 år, rekkevidde = 6,2-12,6 år, 13 jenter). I den nettbaserte statistiske læringsoppgaven presterte barn betydelig bedre enn 0,5 sjansenivå på alle forhold, noe som indikerer vellykket statistisk læring på gruppenivå (se tabell 1 for statistikk; Figur 3). Gjennomsnittlig reaksjonstidsstigning var negativ og signifikant under 0 i stavelsestilstanden (M = -0,01, SD = 0,02, t(14) = -2,36, en-tailed p = 0,02) og marginalt signifikant i bokstavtilstanden (M = -0,02, SD = 0,06, t(15) = -1,52, en-tailed p = 0,07, Figur 4), noe som tyder på en raskere akselerasjon av måldeteksjon under den kjente fasen i de språklige oppgavene. Gjennomsnittlig reaksjonstidsstigning var ikke signifikant forskjellig fra null i bildetilstanden (M = 0,02, SD = 0,04, t (17) = 1,54, en-tailed p > .1) eller tonetilstanden (M = 0,005, SD = 0,02, t (15) = -5,7 x 10-17, en-tailed p > .1), til tross for tegn på læring i offline mål av nøyaktighet. Cronbachs alfa var 0,75 for Letter-oppgaven, 0,09 for stavelsesoppgaven, 0,67 for Tone-oppgaven og 0,86 for bildeoppgaven. Sammenhenger mellom implisitte mål (RT-helling) og eksplisitte mål (nøyaktighet) for statistisk læring identifiserer en betydelig relasjon for bildeoppgaven (R = -.48, p = 0,04) og Letter-oppgave (R = -.54, p = 0,03). Inter-task korrelasjoner tyder videre på at de fire oppgavene kan ha en beskjeden grad av overlappende læringsmekanisme (figur 5). Selv om nøyaktigheten på begge de visuelle oppgavene var svært korrelert (R = 0,60, p = 0,02), var de også positivt forbundet med nøyaktighet på stavelsesoppgaven (Bilde R = 0,66, p = 0,01; Bokstaven R = 0,85, p < 0,001).

fMRI Resultater
Foreløpige fMRI-resultater var basert på data fra ni barn i skolealderen. Disse ni barna var en undergruppe av de 22 barna som inngår i de nettbaserte atferdsresultatene, da ikke alle barn kom til laboratoriet for å fullføre fMRI-delen av studien. Alle ni fullførte de auditive statistiske læringsoppgavene (M alder = 10,77 år, SD = 1,96 år, område = 7,7-13,8 år, 4 jenter) og syv fullførte de visuelle statistiske læringsoppgavene (M alder = 11,41 år, SD = 2,37 år, område = 7,7-13,8 år, 4 jenter). Ved sammenligning av strukturerte blokker med tilfeldige blokker ble det observert signifikante klynger under alle fire forhold (figur 6). I stavelsestilstanden ble det funnet større aktivering ved venstre overlegen temporal gyrus, høyre insula / frontal operculum, og fremre cingulate gyrus. I tonetilstanden ble det funnet større aktivering ved venstre midterste temporal gyri, bilateral kantete gyri, venstre frontpol, høyre lateral occipital cortex, høyre insula og høyre frontal operculum. I brevtilstanden ble det funnet større aktivering på venstre planum temporal. I bildetilstanden ble det funnet større aktivering til høyre lateral occipital cortex. Disse foreløpige funnene tyder på at barns nevrale aktiveringsmønstre varierer på tvers av læring av statistiske regulariteter avhengig av modaliteten og domenet til de presenterte stimuli. Gjeldende oppgaveutforming er følsom for disse forskjellene og kan identifisere oppgavespesifikke aktiveringsområder som ligner på tidligerestudier 20,25.

fMRI Atferdsresultater
For å demonstrere læring i fMRI-delen av denne studien, har vi inkludert atferdsresultater i skanneren fra 28 voksne (M alder = 20,8, SD = 3,53, 20 kvinner), da dataene fra 9 barn ikke var nok til å beregne pålitelig statistikk. Våre funn hos voksne indikerer at læringen vellykket skjedde i alle oppgaver for den strukturerte sekvensen, støttet av betydelig raskere responstid i strukturert sammenlignet med den tilfeldige tilstanden, unntatt i tilfelle av toneoppgaven (se tabell 2 for statistikk).

Samlet sett indikerer våre nettbaserte mål for nøyaktighet og økt aktivering for strukturerte kontra tilfeldige sekvenser i skanneren at denne protokollen kan implementeres med utviklingspopulasjoner for å måle statistisk læring på tvers av domener og modaliteter hos en person. Vår atferdsmessige MR resulterer i en voksen befolkning ytterligere understreke nytten av denne protokollen i måling av læring av strukturerte sekvenser som det utfolder seg i sanntid, samt evnen til å implementere web-baserte og fMRI protokoller uavhengig.

Figure 1
Figur 1: Kjennskapsfasen av alle fire statistiske læringsoppgaver. Eksempel trillinger på tvers av hver oppgave er avbildet i denne figuren. Hver visuell stimulans dukket opp for 800 ms med en 200 ms ISI, og hver auditiv stimulans ble hørt for 460 ms med en 20 ms ISI. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2: Endring av kjennskap til fMRI statistiske læringsoppgaver. FMRI-oppgaven var lik den nettbaserte fortroligiseringsfasen, men introduserte en tilfeldig sekvens som var motbalansert på tvers av domener. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: Gjennomsnittlig statistisk læring (SL) nøyaktighet i den nettbaserte oppgaven sammenlignet med tilfeldig nivå. Resultatene indikerer at enkeltpersoner utførte betydelig over sjansen på alle fire oppgavene, ***en-tailed p < .001, ** < 0,01, * < 0,05. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: Gjennomsnittlig reaksjonstidsstigning i den nettbaserte oppgaven mot null. En mer negativ helling indikerer raskere akselerasjon i målregistreringen under kjennskap. Målregistreringen forbedret seg betydelig i løpet av eksponeringen under stavelsesoppgaven. †en-tailed p = 0,07, * < .05. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 5
Figur 5: Nettbaserte mellomoppgavekorrelasjoner på tvers av alle fire statistiske læringsoppgaver. (a) Ikke-signifikante verdier ved en alfa på 0,05 vises med hvit bakgrunn. Alle sammenligninger med en farget bakgrunn betegner betydelige effekter. (b) Eksempelstørrelse for hver sammenligning på samme måte. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 6
Figur 6: Neural aktivering på gruppenivå for strukturerte blokker sammenlignet med tilfeldige blokker innenfor hver modalitet og domene. Betydelige klynger ble tersklert på voxel-nivå p < 0,001 og klyngenivå p < 0,05 for hver aktivitet. Vannrette stykker ble valgt for å skildre klyngen med maksimal z-verdi. Fargelinjen nederst, høyre hjørne gjenspeiler samme skala for alle plott. Vennligst klikk her for å se en større versjon av denne figuren.

Tilstand Mener Standardavvik En-tailed T-test
Bildet 0.63 0.21 t(17) = 2,64, p = 0,009
Brev 0.66 0.16 t(15) = 3,98, p < .001
Tone 0.60 0.15 t(16) = 2,83, p = 0,006
Stavelse 0.55 0.1 t(14) = 2,06, p = 0,03

Tabell 1: Nettbasert nøyaktighet etter betingelse. Ett-eksempel t-tester representerer gruppeforskjeller sammenlignet med 0,5 sjanse-nivå.

Strukturert Tilfeldig
Tilstand Mener Standardavvik Mener Standardavvik To-test for parede prøver
Bildet 468.1 76.04 493.4 60.33 t(27) = -2,01, p = 0,05
Brev 374.72 143.59 502.1 68.75 t(27) = -4,97, p <.001
Tone 426.37 169.10 407.68 162.63 t(26) = 0,67, p = 0,51*
Stavelse 589.3 180.95 679.9 55.99 t(26) = -2,51, p = 0,02*
* Ett emne hadde for få knappetrykk for å beregne en verdi for tonen eller stavelsesoppgaven.

Tabell 2: MR-atferdsytelsesforskjeller på tilfeldige kontra strukturerte sekvenser på tvers av alle fire oppgavene hos voksne. T-prøver med sammenkobling representerer gruppeforskjeller i læring av strukturerte kontra tilfeldige sekvenser.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Metodene som presenteres i den nåværende protokollen gir et multimodale paradigme for å forstå atferds- og nevrale indeksene for statistisk læring i løpet av utviklingen. Den nåværende utformingen gjør det mulig å identifisere individuelle forskjeller i statistisk læringsevne på tvers av modaliteter og domener, som kan brukes til fremtidig undersøkelse av forholdet mellom statistisk læring og språkutvikling. Siden en persons statistiske læringsevne er funnet å variere på tvers av domener ogmodaliteter 6,,8,9, er det optimalt hvis deltakerne fullfører alle fire oppgavene. Funn fra vanligvis utviklende barn og voksne indikerer at en persons ytelse på tvers av statistiske læringsdomener /modaliteter kan differensialt forholde seg tilordforråd 4 oglese 5,6 resultater. Derfor anbefaler vi ytterligere tiltak for kognitive og språkferdigheter for å forholde seg til målene for statistisk læring som er tatt i dagens protokoll.

Forskning har rapportert rimelig intern konsistens og test-retest pålitelighet av disse statistiske læringsoppgavene for voksne8,42. Bekymringer om oppgavepålitelighet forbarn 42 og en nylig diskusjon om generelle målespørsmål 9 indikererimidlertid et presserende behov for å utvikle tiltak for statistisk læring, som tar hensyn til barns utviklingsegenskaper. Mens vår tidligere forskning, samt de foreløpige dataene fra den nåværende protokollen, indikerer høy intern konsistens for de ikke-språklige statistiske læringsoppgavene hos barn i skolealderen mellom 8 og 16år 6, bekreftet vår forskning også en mindre tilfredsstillende oppgavepålitelighet, spesielt i auditiv språklig statistisk læring som har blitt rapportertfør 42. Forskjellene i intern konsistens mellom oppgaver er spesielt spennende i lys av nylige funn om virkningen av en elevs tidligere språklige erfaringer på statistiske læringsutbytte18,,43,,44. Språk- og leseutviklingen endrer seg raskt i skoleårene. Læreevnen til hver auditiv språklig trilling kan variere vesentlig i hvert barn, avhengig av utviklingsstadiet og dagens språkevner. Å kombinere vår protokoll med andre individuelle forskjellstiltak vil gi en spennende mulighet til å studere den gjennomgripende effekten mellom eksisterende ferdigheter og påfølgende læring som ligger til grunn for heterogeniteten av statistisk læringsytelse i løpet av utviklingen.

En viktig fordel med dagens design er i sitt verktøy for å måle statistisk læring via en online web-plattform. Forskere bør være klar over følgende når de vurderer nøyaktigheten av reaksjonstidsmålinger via en nettleser. de Leeuw og Motz (2016)45 fant responstidene målt via en nettleser var omtrent 25 ms lengre enn de som måles via annen standard datapresentasjonsprogramvare. Viktigere, denne forsinkelsen ble funnet å være konstant på tvers av forsøk. Fordi vårt mål på sanntidslæring i de nettbaserte oppgavene er skråningen av endring i reaksjonstid, har effekten av forsinkelsen i reaksjonstiden blitt minimert ved hjelp av sammenligninger innen. de Leeuw (2015)30 har også erkjent at reaksjonstid målt via jsPsych kan påvirkes av faktorer som behandlingshastigheten til datamaskinen eller antall oppgaver lastet i bakgrunnen. For å minimere disse effektene anbefaler vi å normalisere responstiden for hver enkelt deltaker før du beregner responstidshellingen30.

Den nåværende protokollen, som gir robuste metoder for å demonstrere stor variasjon i læringsatferd på tvers av domener og modaliteter, er utformet for å undersøke individuelle forskjeller i statistisk læring. Denne protokollen er imidlertid ikke egnet for å undersøke spørsmål som om visuell statistisk læring er iboende enklere enn auditiv statistisk læring. Tolkningen av ytelsesforskjeller på gruppenivå mellom oppgaver er vanskelig på grunn av alle de forvirrende faktorene som vi ikke er i stand til å kontrollere, for eksempel stimuli kjennskap14,,43,,46,,47, sensorisk salience og behandlingshastighet28. Relatert til stimuli kjennskap, er det godt etablert at en persons tidligere erfaringer med stimuli kan påvirke deres statistiske læringsytelse. I tillegg er de visuelle og auditive oppgavene vanskelige å sammenligne direkte på grunn av forskjeller i salience av stimuli og presentasjonsfrekvens på tvers av disse modalitetene. Derfor er våre metoder utformet med sikte på å undersøke individuelle forskjeller i statistisk læring. Men med avanserte fMRI-analysetilnærminger er vår protokoll egnet for å studere teoretiske spørsmål om arten av statistisk læring, for eksempel kan vi spørre hvilke hjernenettverk som er følsomme for regulariteter i hvert domene og hvordan mønstrene for nevrale engasjement varierer / overlapper hverandre.

Den nåværende protokollen ble utviklet for å være barnevennlig og lett tilgjengelig for å maksimere forskning i nevrotypiske og atypiske populasjoner. Under gjennomføringen av denne protokollen med små barn eller de med utviklingsforstyrrelser, er et kritisk skritt å gi pauser mellom hver SL-oppgave for å unngå tretthet. Hver betingelse for de nettbaserte oppgavene kan spres individuelt for å lette kognitive krav. Før skanning kan mock-skanneren brukes til å redusere barnets angst og hodebevegelse som forberedelse til den virkelige fMRI-oppgaven. En ekstra problemforsker bør være klar over er knyttet til en generell bekymring når du gjennomfører noen neuroimaging studie: bevegelse. En rotasjonshodebevegelse på bare 0, 3 mm kan føre til at artefakter manifesterer seg. I et forsøk på å minimere sannsynligheten for bevegelsesartefakter, har den gjeldende protokollen begrenset hver kjøring til å vare mindre enn 5 minutter48. Deltakerne bør oppfordres til å holde seg i stille i løpet av hvert 5-minutters løp, men lov til å bevege seg eller strekke seg mellom løp for å redusere bevegelse under selve skanningen. Vi anbefaler også strenge dataanalyseteknikker for å korrigere bevegelsesrelaterte artefakter på fMRI-dataene49.

Gitt det kritiske bidraget fra statistisk læringsevne på senere språkoppkjøp, er det nødvendig å utvikle mer omfattende og pålitelige tiltak som vurderer både sanntid og offline læring av statistiske regulariteter. Det nåværende forslaget er et første skritt mot å avgrense hvordan individuelle forskjeller i statistisk læringsevne basert på domene/modalitet kan utgjøre variasjoner i senere språkresultater.

Den nåværende protokollen, som gir robuste metoder for å demonstrere stor variasjon i læringsatferd på tvers av domener og modaliteter, er utformet for å undersøke individuelle forskjeller i statistisk læring. Denne protokollen er imidlertid ikke egnet for å undersøke spørsmål som om visuell statistisk læring er iboende enklere enn auditiv statistisk læring. Tolkningen av ytelsesforskjeller på gruppenivå mellom oppgaver er vanskelig på grunn av alle de forvirrende faktorene som vi ikke er i stand til å kontrollere

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Vi takker Yoel Sanchez Araujo og Wendy Georgan for deres bidrag i den første utformingen av den nettbaserte plattformen. Vi takker An Nguyen og Violet Kozloff for deres arbeid med å forbedre de nettbaserte statistiske læringsoppgavene, implementere fMRI-oppgavene og pilotere oppgavene hos voksne deltakere. Vi takker Violet Kozloff og Parker Robbins for deres bidrag til å bistå datainnsamling hos barn. Vi takker Ibrahim Malik, John Christopher, Trevor Wigal og Keith Schneider ved Center for Biological and Brain Imaging ved University of Delaware for deres hjelp til neuroimaging datainnsamling. Dette arbeidet er delvis finansiert av National Institute on Døvhet og andre kommunikasjonsforstyrrelser (PI: Qi; NIH 1R21DC017576) og National Science Foundation Directorate for Social, Behavioral & Economic Sciences (PI: Schneider, Co-PI: Qi & Golinkoff; 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

Nevrovitenskap Utgave 160 statistisk læring nettbasert fMRI domene modalitet barn
Måling av statistisk læring på tvers av modaliteter og domener hos barn i skolealderen via en nettbasert plattform og neuroimagingsteknikker
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