需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

通过在线平台和神经影像技术测量学龄儿童跨模态与跨领域的统计学习

6.4K 次观看

⸱

DOI：

10.3791/61474

⸱

2020年6月30日

 ,  ,  , 
1Department of Linguistics and Cognitive Science, University of Delaware

本文内容

摘要

本文介绍了一种针对儿童设计的统计学习任务方案，旨在研究儿童在不同领域和感觉模式下对时间统计规律的学习能力。这些任务通过基于网络的平台收集行为数据，并结合基于任务的功能性磁共振成像（fMRI）数据，以考察统计学习过程中的神经活动情况。

摘要

统计学习是一种从环境中提取规律性的基本能力，通常被认为是母语发展的重要支持机制。尽管许多统计学习研究局限于单一领域或感觉通道，但近期证据表明，这种能力可能因刺激呈现的情境不同而有所差异。此外，很少有研究关注学习在实时过程中的动态变化，而更多聚焦于学习的最终结果。在本实验方案中，我们描述了一种方法，用于识别个体在不同领域（语言与非语言）和不同感觉模态（视觉与听觉）下统计学习的认知与神经基础。这些任务被设计为对参与者施加尽可能小的认知负荷，因此特别适用于学龄儿童及特殊人群。行为任务基于网络平台，使我们能够在全国范围内招募更具代表性的样本，更精确地估计效应量，并推动开放、可重复的研究。功能磁共振成像（fMRI）任务所提供的神经测量指标，可帮助研究人员了解统计学习过程中所涉及的神经机制，以及这些机制如何因领域或模态的不同而在个体间产生差异。最后，这两类任务均支持对实时学习过程的测量，通过追踪暴露期间对目标刺激的反应时变化来实现。该方案的主要局限在于实验时长约为一小时，儿童可能需要分多次完成全部四项统计学习任务。因此，网络平台在设计时已充分考虑这一限制，允许将任务单独分发实施。本方法将帮助使用者探究来自不同发展背景的儿童在不同领域和模态中，统计学习过程如何展开与演变。

引言

统计学习是一种基本能力，支持个体从语言输入中习得受规则支配的组合结构1。婴儿期统计学习能力的成功表现可预测其后续语言学习的成效2,3。学龄儿童在统计学习能力上的个体差异也与词汇量4和阅读能力5,6相关。统计学习困难被认为是导致语言障碍的一种病因机制7。尽管在神经典型发展人群和非典型发展人群中，统计学习与语言发展结果之间存在关联，但支撑统计学习的认知与神经机制仍不明确。此外，已有文献表明，在个体内部，统计学习能力在不同领域和模态之间并非统一，而是相互独立的6,8,9。统计学习能力的发展轨迹在不同领域和模态之间也可能进一步存在差异10。这些发现凸显了在发展过程中通过多种任务评估个体在统计学习方面差异的重要性。然而，该领域首先需要对统计学习与第一语言发展之间的关系进行更为系统的研究。为回答这些问题，我们采用了创新方法，包括一种基于网络的测试平台11，以覆盖大量儿童，以及基于实验室的神经影像技术（功能性磁共振成像，即 fMRI），用于考察统计信息的实时编码过程。

统计学习的标准测量方法始于一个熟悉化阶段，随后进行二选一强制选择（2-AFC）任务12,13。在熟悉化阶段，向被试呈现一段连续的刺激流，其中包含统计规律性，即某些刺激比其他刺激更倾向于共同出现。这些共现刺激的呈现遵循固定的时序。在熟悉化阶段，被试被动地接触该刺激流，随后进行2-AFC任务，以检验被试是否成功提取了其中的模式。在2-AFC准确性任务中，呈现两个连续的序列：其中一个序列曾在熟悉化阶段向被试展示过，而另一个则是新序列，或包含部分新序列。若2-AFC任务的准确率高于随机水平，则表明在群体层面上实现了成功的学习。传统的用于评估统计学习的行为任务通常以准确性作为学习效果的衡量指标。然而，准确性无法反映信息随时间逐步习得的自然学习过程。为了探究统计学习中儿童仍在对输入信息中的规律性进行编码的内隐学习过程，有必要采用能够测量实时学习的指标14,15,16。已有研究在不同范式中开发出多种改进方法，旨在摆脱对2-AFC测量的依赖，转而通过暴露阶段的行为反应来测量在线学习过程16。采用这些改进方法并测量暴露阶段反应时的研究发现，反应时与学习后的准确性相关17，且相较于成人学习者的准确性指标，其重测信度更优18。

神经测量方法对于我们理解学习随时间展开的过程也具有基础性意义，因为语言习得所依赖的内隐过程可能调用了与已掌握语言后不同的神经资源19。神经测量还能揭示特殊人群在语言能力背后认知特化的差异20。在fMRI研究中，如何设计条件对比对于解释学习过程中神经激活模式至关重要。一种常见做法是，在熟悉阶段比较包含规律模式的序列与由相同刺激随机排列组成的序列之间的脑反应。然而，以往采用此类随机对照条件的研究并未发现行为上有学习的证据，尽管结构化序列与随机序列之间存在神经活动差异。这可能是由于随机序列干扰了结构化序列的学习，因为两者使用了相同的刺激材料21,22。其他一些fMRI研究采用倒放语音或早期学习区块作为对照条件，证实了行为上的学习确实发生19,23。然而，这些范式各自引入了新的混淆因素，例如前一种情况中的语言加工效应，以及后一种情况中的实验顺序效应。我们的实验范式仍使用随机序列作为对照条件，但通过设计减轻了其对参与者学习结构化序列的干扰。我们的fMRI范式还采用了混合的区组/事件相关设计，可同时对短暂的试次相关和持续的任务相关BOLD信号进行建模24。最后，更广泛地说，神经测量使得我们能够在难以诱发明确行为反应的人群中（例如发育中人群和特殊人群）测量学习过程25。

本方案除了采用传统的准确性测量外，还引入了反应时间测量，并考察熟悉阶段的大脑激活情况。这些方法的结合旨在为实时学习过程的研究提供丰富的数据集。基于网络的平台通过包含暴露阶段的反应时间以及测试阶段的二选一迫选（2-AFC）任务的准确性，提供了一套学习测量指标。神经影像方案可用于探究跨领域和跨模态支持统计学习的潜在神经机制。尽管使用基于网络和功能磁共振成像（fMRI）的方案在个体内部测量统计学习是最优方案，但这些任务的设计允许其独立实施，因此可作为统计学习的两个独立测量指标。本方案中包含的fMRI实验有助于阐明刺激编码、模式提取以及统计学习其他组成成分在特定脑区和脑网络中的表征方式。

访问受限。请登录或开始试用以查看此内容。

方案

所有参与者均签署书面知情同意书，研究经机构审查委员会批准并按照其规定执行。

1. 网络协议中采用的统计学习范式概述

  1. 在当前范式中包含四个任务：图像（视觉-非语言）、字母（视觉-语言）、音调（听觉-非语言）和音节（听觉-语言）。
    1. 使用12个独立的外星人卡通图像（图像）和12个字母图像（字母；B, J, K, A, H, C, F, E, J, G, D, M）构建视觉任务的刺激材料，其中后者为同一外星人举起写有大写字母的12个标牌。
    2. 使用12个英语音节（音节；pi, pu, pa, ti, tu, ta, di, du, da, bi, bu, ba）和同一八度内的12个乐音（音调；F, G, D, G#, C#, B, C, F#, D#, E, A, A#）构建听觉刺激材料。音节刺激可通过人工语音合成器生成，并在Praat中 作为独立文件录制26,27。
  2. 在熟悉阶段，以结构化序列呈现刺激材料（见图1）。在熟悉阶段和测试阶段均不提供任何反馈。
    注意：在每个任务中，熟悉阶段之后立即进行测试阶段。
    1. 对于图像（视觉-非语言）任务，将12个图像组成四个目标三联组。在熟悉阶段，将每个目标三联组重复24次，共96个三联组。
      注意：96个三联组被随机连接成一个连续序列，限制条件为同一三联组不能连续重复。图像逐个呈现在屏幕中央，每个图像呈现800 ms，刺激间间隔200 ms。整个熟悉阶段持续4分48秒。
    2. 确保测试阶段紧随熟悉阶段之后，包含32个二选一迫选（2AFC）问题。每个问题包含两个选项：一个来自熟悉阶段的目标三联组，另一个为未在熟悉阶段出现的三联组，称为干扰三联组（foil triplet）。
      注意：干扰三联组的构建方式为其中每个图像的相对位置与目标三联组相同。每个目标三联组和干扰三联组在测试中共呈现8次，每对目标-干扰三联组均被重复。测试阶段共包含32个随机排序的试验（4个目标三联组 × 4个干扰三联组 × 2次重复）。
    3. 对于字母（视觉-语言）任务，使用12个大写字母图像，将其组织为四个目标三联组（GJA, FKC, LBE, 和 MDH）。在测试阶段，创建4个干扰三联组（GDE, FJH, LKA, 和 MBC），并与目标三联组配对，形成32个2AFC测试试验。任何字母三联组不得包含实际单词、常见缩略语或首字母缩写。
    4. 对于音调（听觉-非语言）任务，使用同一八度内的12个纯音（从中音C开始的完整半音阶），并将其连接为四个目标三联组（F#DE, ABC, C#A#F, 和 GD#G#）。与视觉任务不同，由于听觉感知偏好的差异，呈现速度更快6,28,29。
      注意：四个目标三联组各重复48次，共192个三联组（为视觉条件的两倍）。所有三联组被连接成一个声音序列，且无任何三联组连续重复。参与者在观看空白屏幕的同时，逐个呈现纯音，每个音持续460 ms，刺激间间隔20 ms。整个序列持续约4分36秒。与视觉任务类似，熟悉阶段后立即进行包含32个2AFC试验的测试阶段，试验中配对目标三联组与干扰三联组（F#BF, AA#G#, C#D#E, GDC）。
    5. 对于音节（听觉-语言）任务，使用12个辅音-元音（CV）音节，将其创建并分组为四个目标三联组（pa-bi-ku, go-la-tu, da-ro-pi, 和 ti-bu-do）。每个音节的持续时间及刺激间间隔与音调条件相同。在测试阶段，将四个干扰三联组（pa-ro-do, go-bu-ku, da-bi-tu, 和 ti-la-pi）与目标三联组配对。
  3. 在不同参与者之间随机化四个统计学习任务的呈现顺序。

2. 受试者招募

注意：尽管基于网络的实验方案和fMRI实验方案最好在同一受试者身上同时实施，但此处我们分别概述了每项任务独立进行时的受试者招募最佳实践。

  1. 基于网络的受试者招募
    1. 招募年龄在6岁及以上的受试者。任何性别、种族和族裔的个体均可参与；但研究样本应具有人群代表性。
    2. 招募以英语为母语者，且在5岁之前仅接触过英语，未接触其他语言。
    3. 确保受试者无已知的心理疾病（包括注意力缺陷障碍、抑郁症、创伤后应激障碍和临床焦虑症）和/或神经系统疾病（包括中风、癫痫、脑肿瘤或闭合性头部损伤）。
    4. 确保受试者具有正常或矫正至正常的视力（允许佩戴眼镜或隐形眼镜）、正常色觉以及正常听力（不使用助听器或人工耳蜗设备）。
  2. 基于任务的fMRI受试者招募
    1. 招募年龄在6岁及以上的受试者。任何性别、种族和族裔的个体均可参与；但研究样本应具有人群代表性。
    2. 招募以英语为母语者，且在5岁之前从未接触过英语以外的任何其他语言。
    3. 招募右利手个体，且无已知的心理疾病（包括注意力缺陷障碍、抑郁症、创伤后应激障碍和临床焦虑症）及神经系统疾病（包括中风、癫痫、脑肿瘤或闭合性头部损伤）。
    4. 排除怀孕、幽闭恐惧症、正在服用精神活性药物或体内有金属异物（包括起搏器、神经植入物、金属板或关节、弹片及外科缝合钉）的受试者。
    5. 确保受试者具有正常或矫正至正常的视力（允许佩戴眼镜或隐形眼镜）、正常色觉以及正常听力（不使用助听器或人工耳蜗设备）。
    6. 通过让受试者（若为未成年人则由其父母）填写MRI安全筛查表，确定其是否符合MRI检查的参与资格。

3. 基于网络的实验方案

注意：基于网络的统计学习范式托管于一个安全网站（https://www.cogscigame.co11），并使用 jsPsych（一种用于在线创建行为实验的 JavaScript 库）开发30。

  1. 为重复实验任务，请访问 DOI: 10.5281/zenodo.3820620。所有脚本和材料均公开可用。研究人员可修改脚本，并在任意网页浏览器中本地运行实验，前提是正确设置所有输出文件的路径。
  2. 让参与者完成一个掩蔽任务，在每个统计学习任务的所有熟悉阶段中，当他们看到特定目标刺激时按下按钮。
  3. 每项任务的目标刺激分配
    1. 在图像、字母和音节任务中，从四个三联组中随机选择一组，并将目标分配给该三联组中的第三个刺激。在音调任务中，将目标刺激限定为三联组中第三个刺激的最低或最高音调之一，并将目标分配给该三联组的第三个刺激。这是因为音调刺激相较于其他类型的刺激更难区分。
    2. 在音节和音调任务中，向参与者介绍一个外星人及其在外星语言/民间音乐中的最爱词汇/音符。告诉参与者他们将听到该外星人的语言/音乐，并要求他们在每次听到“最爱词汇/音符”时按下空格键（删除 / 与 note 之间的空格）。
    3. 在图像任务中，告诉参与者注意一个特殊的外星人，当一群外星人排队进入宇宙飞船时追踪其位置。在字母任务中，告诉参与者注意外星人最喜爱的标志，当外星人为游行举起标志时进行追踪。在图像和字母任务中均提供一次练习试验。
    4. 不要明确告知参与者存在三联组结构。
    5. 在视觉任务的24次试验和听觉任务的48次试验中测量反应时间，以评估在线学习情况。
    6. 在测试阶段，向参与者同时呈现一个目标三联组（包含在熟悉阶段中）和一个干扰三联组（未包含在熟悉阶段中），并指示参与者选择哪一个更类似于他们在熟悉阶段看到或听到的内容。每次试验必须以一次响应结束。
  4. 基于网络协议的统计学习行为测量
    1. 通过反应时间的线性斜率（即熟悉阶段中反应时间的变化趋势）来测量熟悉阶段中的实时学习情况。
    2. 为判定对目标的有效响应，需检查按键是否发生在目标刺激前后各一个刺激的时间窗口内。即在听觉任务中为目标刺激 onset 前480 ms至后960 ms（-480 ms 至 +960 ms），在视觉任务中为目标刺激 onset 前1000 ms至后2000 ms（-1000 ms 至 +2000 ms）。在目标刺激之前按键被视为预期反应，因此产生负的反应时间。
    3. 为比较不同条件下的反应时间，将每位参与者在每项任务中的反应时间转换为z分数。此标准化处理可使个体反应时间归一化， 从而实现跨任务分数的比较。
    4. 使用线性回归计算每位参与者在每种条件下的反应时间斜率。以z标准化后的反应时间为因变量，以目标试验顺序为自变量（视觉任务：1至24；听觉任务：1至48）。线性回归线的斜率（Beta系数/估计值） 即为反应时间斜率（RT斜率）。
    5. 通过将测试阶段的正确试验次数除以总试验次数（32次试验），计算每位参与者在每种条件下的离线准确率。

4. 基于任务的fMRI实验方案

  1. 对统计学习范式的修改（图2）。
    1. 对于每个任务，同时呈现一个包含统计规律的结构化序列和一个无统计规律的随机序列。
      注意：结构化序列与网络版方案中描述的序列相同（见图1）。相比之下，随机序列包含与结构化序列相同的12个刺激，但以伪随机顺序排列，任意三个刺激的组合不重复出现超过一次。
    2. 将每个序列划分为六个长度相等的子区块（视觉任务每个区块包含24个刺激，听觉任务每个区块包含48个刺激）。
    3. 将三个结构化区块、三个随机区块和六个静息区块（空白屏幕并保持静音）以伪随机顺序连接，形成四轮听觉刺激和四轮视觉刺激。为最大化对结构化序列的学习效果，确保每轮中的随机区块与结构化序列来自不同模态（例如，一轮中将音节结构化序列与音调随机序列配对，另一轮中将音节随机序列与音调结构化序列配对）。
    4. 在每轮视觉任务中呈现288张图像，持续时间约为4.77分钟；在每轮听觉任务中呈现576个声音，持续时间约为4.42分钟。在每个区块开始时，通过语言和视觉提示呈现目标线索：“现在请听/看 [TARGET]”。
    5. 在四轮视觉任务中，确保其中两轮包含图像的结构化序列，另外两轮包含字母的结构化序列。在四轮听觉任务中，确保其中两轮包含音节的结构化序列，另外两轮包含音调的结构化序列。
  2. fMRI统计学习流程
    1. 为帮助参与者（尤其是儿童）适应扫描仪环境，首先使用模拟扫描仪进行练习31。模拟扫描仪提供与真实扫描过程相似的自然体验，但通常设置在更适合儿童的环境中。
    2. 首先向儿童介绍模拟扫描仪（即“大脑相机”），并在将其放入扫描仪前确保其感到舒适。
    3. 向儿童介绍他们的“扫描伙伴”，并解释该伙伴的作用是陪伴他们，并在需要时提供帮助。当“相机”检测到过多移动时，扫描伙伴会温和地提醒参与者保持静止。
    4. 当儿童进入扫描仪后，播放适合儿童的视频，帮助他们适应声音和视觉环境。当他们准备就绪后，播放几段预先录制的扫描仪声音片段，使其为真实MRI设备产生的噪音做好准备。在此期间，让他们练习保持静止并与扫描伙伴配合。
    5. 向儿童介绍统计学习范式，并让他们在扫描仪外进行练习。该步骤通过让儿童在计算机上完成任务的一小部分来实现，方法类似于上述网络版方案中的步骤3.2.2和3.2.3。
      注意：练习所用刺激与正式任务中使用的相同；然而，儿童仅接触随机序列而不接触结构化序列，以便短暂适应刺激和任务要求，同时避免特定序列的学习。
    6. 确保fMRI数据采集协议已在MRI采集计算机上正确设置。
      注意：采集参数遵循青少年大脑认知发展（ABCD）研究32的推荐标准。
    7. 以高分辨率T1加权扫描开始扫描会话。使用176层3D MPRAGE（磁化准备快速梯度回波）体积扫描，参数设置为：TR（重复时间）= 2500 ms，TE（回波时间）= 2.9 ms，翻转角 = 8˚，FOV（视野）= 25.6 cm，矩阵大小为256 × 256，层厚1 mm。该扫描持续7.2分钟。
    8. 采集功能数据时，采用T2*加权回波平面成像，结合同时多层扫描技术，参数为：TR = 800 ms，TE = 32 ms，翻转角 = 61˚，FOV = 21 cm，矩阵 = 64 × 64。本实验中，以交错顺序采集60个相邻切片，层厚2.5 mm，FOV为21 cm，矩阵为64 × 64，最终实现平面内分辨率为2.5 mm × 2.5 mm × 2.5 mm。
    9. 让参与者舒适地躺在fMRI扫描仪床上，佩戴保护听力的耳机，并手持反应键盒/按钮盒（耳机和按钮盒均需兼容扫描仪）。
    10. 在头部周围添加额外填充物，以确保数据采集期间头部运动最小化。提前将按钮反应盒交给参与者，用于记录反应，并在不同参与者之间平衡使用左手或右手按键。
    11. 为每位儿童提供选择扫描伙伴的选项。对于无需扫描伙伴即可舒适完成任务的年长且神经发育正常的儿童，提供一个挤压球，以便在感到不适或需要停止时通知实验人员。对于年幼儿童和特殊人群，除提供挤压球外，还应配备扫描伙伴以协助其完成任务（如4.2.3所述）。
    12. 将头部线圈覆盖在参与者头部，并调整其在扫描床中的位置。
    13. 在采集计算机上注册新参与者，输入其参与者编号、出生日期、体重和身高。随后可将参与者送入MRI孔道内。
    14. 在向参与者播放电影的同时采集T1加权扫描数据。
    15. 在开始统计学习范式之前，通过连接至耳机的对讲系统向参与者口头说明每项任务的指导语。
    16. 在听觉任务中，告知参与者：“现在我们将玩一个按键游戏。你会听到外星人说话和播放音乐。每当听到你正在寻找的声音时，请用你的左手/右手按下按钮。共有4个部分，每个部分持续约5分钟。”
    17. 在视觉任务中，告知参与者：“现在你将看到外星人和字母的图片。每当看到你正在寻找的图片时，请用你的左手/右手按下按钮。你会连续进行4次，每次大约需要5分钟。”
    18. 在呈现计算机上启动统计学习范式，并同步采集任务态fMRI数据。
    19. 当参与者完成范式后，停止MRI扫描，安全地将其从扫描仪中移出，并取下头部线圈。
    20. 数据采集完成后，将所有MRI数据从采集计算机传输至安全服务器，用于后续分析。
  3. fMRI数据分析
    1. 在fMRI任务期间，以类似于网络版熟悉阶段反应时计算的方式分析扫描内的反应时。对反应时进行归一化处理以比较不同条件，并为每个个体的每种条件计算归一化反应时的线性斜率。
    2. 分析fMRI数据时，首先使用HeuDiConv34（https://github.com/nipy/heudiconv）将数据组织并转换为脑成像数据结构33（BIDS）格式。
    3. 使用fMRIPrep35,36对数据进行预处理。该自动化预处理流程整合了AFNI37、ANTs38、Freesurfer39、FSL40和Mindboggle41的方法，为数据分析提供科学严谨且可重复的结果。
      注意：本研究采用混合区块/事件相关设计。代表性结果（如下）将每个小区块视为一个事件（例如，随机序列为一个事件，结构化序列为一个事件等）。然而，该任务也可设计为将每个刺激作为独立事件进行建模。
    4. 在一级模型设计中，为每轮运行包含两个任务回归变量（视觉条件下为“图像”和“字母”，听觉条件下为“音节”和“音调”）。通过将事件起始时间向量与其持续时间与标准血流动力学响应函数进行卷积来确定任务回归变量。在每个被试内部计算各轮之间的差异和均值，用于更高层次的模型设计。这将产生每种刺激类型中结构化序列与随机序列之间的对比。
    5. 在每种模态/领域内，创建结构化区块相对于随机区块的群体激活均值图。

访问受限。请登录或开始试用以查看此内容。

结果

基于网络的行为结果
鉴于当前方案旨在便于在发育人群中间传播，我们纳入了基于22名发育中的学龄儿童数据的初步网络结果（平均年龄（M）= 9.3岁，标准差（SD）= 2.04岁，年龄范围 = 6.2–12.6岁，13名女孩）。在基于网络的统计学习任务中，儿童在所有条件下表现均显著优于0.5的随机水平，表明在群体层面上成功实现了统计学习（统计结果见表1；图3）。在音节条件下，平均反应时斜率为负且显著低于0（M = -0.01，SD = 0.02，t(14) = -2.36，单尾p = .02）；在字母条件下为边缘显著（M = -0.02，SD = 0.06，t(15) = -1.52，单尾p = .07，图4），提示在语言任务的熟悉阶段，目标检测速度加快。在图像条件（M = 0.02，SD = 0.04，t(17) = 1.54，单尾p > .1）和音调条件（M = 0.005，SD = 0.02，t(15) = -5.7 × 10-...

访问受限。请登录或开始试用以查看此内容。

讨论

本方案中介绍的方法为理解发育过程中统计学习的行为和神经指标提供了一种多模态范式。当前的设计能够识别个体在不同模态和领域中统计学习能力的差异，这些差异可用于未来探究统计学习与语言发展之间的关系。由于个体的统计学习能力在不同领域和模态间存在差异6,8,9，因此建议参与者完成全部四项任务。来自正常发育儿童和成人的研究结果表明，个体在不同统计学习领域/模态中的表现与词汇量4和阅读能力5,6的发展结果存在差异性关联。因此，我们建议额外采集认知能力和语言能力的相关测量指标，以便与本方案中获得的统计学习测量结果进行关联分析。

已有研究报道，这些统计学习任务在成人中表现出合理的内部一致性和重测信度8

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

我们感谢Yoel Sanchez Araujo和Wendy Georgan在基于网络平台的初步设计中所做出的贡献。我们感谢An Nguyen和Violet Kozloff在改进基于网络的统计学习任务、实施fMRI任务以及在成年参与者中开展任务预实验方面的工作。我们感谢Violet Kozloff和Parker Robbins在儿童数据收集过程中提供的协助。我们感谢特拉华大学生物与脑成像中心的Ibrahim Malik、John Christopher、Trevor Wigal和Keith Schneider在神经影像数据采集过程中提供的帮助。本研究部分由国家耳聋与其他沟通障碍研究所（负责人：Qi；NIH 1R21DC017576）和国家科学基金会社会、行为与经济科学学部资助。 & 经济科学（项目负责人：Schneider，共同项目负责人：Qi） & 戈林科夫；美国国家科学基金会 1911462 号项目）

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
4按钮 inline 反应装置剑桥研究系统货号：N1348用于测量扫描仪内反应时间的fMRI反应键
短/细管吸头康普泡沫SKU: 40-15028-11短 &建议为儿童使用尺寸较小的入耳式耳塞，以保护听力，并确保其在扫描仪中能够听到刺激信号。
jsPsychjsPsychhttps://www.jspsych.org/jsPsych 是一个用于在网页浏览器中运行行为实验的 JavaScript 库。
语音合成器Praat版本 6.1.14该程序是一种人工语音合成器，用于生成音节刺激材料。
基于网络的统计学习任务Zenodohttp://doi.org/10.5281/zenodo.3820620（2020年）。所有基于网络的统计学习任务均可在 Zenodo 上免费获取。

参考文献

  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).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

fMRI
通过在线平台和神经影像技术测量学龄儿童跨模态与跨领域的统计学习
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。