온라인 플랫폼 및 신경 이미징 기술을 통해 학교 숙성 아동의 양식 및 도메인 전반에 걸친 통계 학습 측정

요약

여기에 소개된 프로토콜은 도메인 및 감각 양식에 걸쳐 시간 통계 패턴의 아이들의 학습을 검토하기 위한 아동 친화적 인 통계 학습 작업 세트를 소개하는 프로토콜입니다. 개발된 작업은 통계 학습 중 신경 참여를 검사하기 위한 웹 기반 플랫폼 및 태스크 기반 기능 자기 공명 영상(fMRI) 데이터를 사용하여 행동 데이터를 수집합니다.

초록

통계 학습, 환경에서 정규성을 추출하는 기본 기술, 종종 첫 번째 언어 개발의 핵심 지원 메커니즘으로 간주됩니다. 통계 학습의 많은 연구는 단일 도메인 또는 양식 내에서 수행 되는 동안, 최근 증거는이 기술은 자극이 제시 되는 컨텍스트에 따라 다를 수 있습니다 제안. 또한 학습 의 결과에 초점을 맞추고 실시간으로 학습을 조사하는 연구는 거의 없습니다. 이 프로토콜에서는 개인 내에서 통계 학습의 인지 및 신경 기초를 식별하는 접근 법(언어학 대 비언어학) 및 감각 양식(시각 및 청각)을 식별합니다. 이 작업은 참가자에게 가능한 한 적은 인지 수요를 캐스팅하도록 설계되어 어린 학교 숙성 아동과 특수 인구에 이상적입니다. 행동 작업의 웹 기반 특성은 우리가 전국적으로 더 많은 대표 인구에 도달할 수 있는 독특한 기회를 제공하며, 효과 크기를 보다 정밀하게 추정하고, 개방적이고 재현 가능한 연구에 기여할 수 있는 특별한 기회를 제공합니다. 기능성 자기 공명 영상 (fMRI) 작업에 의해 제공되는 신경 측정은 통계 학습 중에 종사하는 신경 메커니즘에 대해 연구원에게 알릴 수 있으며, 이러한 것이 도메인 또는 양식에 기초하여 개인 간에 어떻게 다를 수 있는지를 알릴 수 있습니다. 마지막으로, 두 작업 모두 노출 기간 동안 표적 자극에 대한 반응 시간의 변화가 추적되기 때문에 실시간 학습을 측정할 수 있습니다. 이 프로토콜을 사용하는 주요 제한사항은 실험의 1시간 길이에 관한 것입니다. 아이들은 여러 좌석에서 네 가지 통계 학습 작업을 모두 완료해야 할 수도 있습니다. 따라서 웹 기반 플랫폼은 이러한 제한을 염두에 두고 설계되어 작업이 개별적으로 전파될 수 있습니다. 이 방법론을 통해 사용자는 다양한 발달 배경을 통해 어린이의 도메인 및 양식 에 걸쳐 통계 학습 과정이 어떻게 전개되는지 조사할 수 있습니다.

서론

통계 학습은 언어 입력^1에서규칙 제어 조합의 인수를 지원하는 기본 기술이다. 유아의 성공적인 통계 학습 능력은 나중에 언어 학습 성공^2,,3을예측합니다. 학령기 어린이의 통계 학습 능력의 다양성은 어휘⁴ 및 읽기^5,,6과관련이 있습니다. 통계 학습의 어려움은 하나의 병문 메커니즘으로 제안되었습니다 기본 언어 장애⁷. 통계 학습과 비정형 인구 모두에서 언어 결과 사이의 연관성에도 불구하고, 통계 학습의 기본 인지 및 신경 메커니즘은 제대로 이해되지 않습니다. 또한, 이전 문헌은 개인 내에서 통계 학습 능력이 균일하지 않지만 도메인 및 양식^에걸쳐 독립적인 것으로 나타났다^6,8,,9. 통계 학습 능력의 발달 궤적은 도메인 및 양식^10에따라 더 다를 수 있습니다. 이 사실 인정은 개발의 과정을 통해 다중 작업에서 통계 학습에 있는 개별적인 다름을 평가하는 중요성을 강조합니다. 그러나 이 분야는 먼저 통계 학습과 모국어 개발 사이의 관계에 대한 보다 체계적인 조사가 필요합니다. 이러한 문제를 해결하기 위해 많은 수의 어린이에게 도달하는 웹 기반 테스트 플랫폼^11과 통계 정보의 실시간 인코딩을 검사하는 실험실 기반 신경 이미징 기술(기능성 자기 공명 영상 또는 fMRI)을 포함한 혁신적인 방법을 적용합니다.

통계 학습의 표준 측정은 친숙한 단계로 시작하여 2-대안 강제 선택(2-AFC)^{태스크(12,,13)가}뒤따릅니다. 친숙 단계는 통계 적 규칙과 내장 된 자극의 연속 스트림을 소개, 일부 자극은 다른 사람보다 공동 발생 가능성이 더 높습니다. 이러한 동시 발생 자극의 프리젠 테이션은 고정 된 시간 적 순서를 따릅니다. 참가자는 친숙한 단계 동안 스트림에 수동적으로 노출되고 참가자가 패턴을 성공적으로 추출했는지 여부를 테스트하는 2-AFC 작업이 있습니다. 2-AFC 정확도 태스크는 두 개의 연속 시퀀스를 제공합니다: 한 시퀀스는 친숙한 단계에서 참가자에게 제시되었으며, 다른 시퀀스는 새로운 시퀀스이거나 시퀀스의 일부를 포함합니다. 2-AFC의 승률 향상은 그룹 수준에서 성공적인 학습을 나타냅니다. 통계 학습을 평가하는 전통적인 행동 작업은 일반적으로 학습의 결과 척도로서 정확성에 의존합니다. 그러나 정확도는 시간에 전개되는 정보의 자연스러운 학습을 고려하지 못합니다. 실시간 학습의 척도는 아이들이 여전히^,입력^{14,15,16에서}규칙성을 인코딩하는 동안 통계 학습의 암시적 학습 과정을 활용할 필요가있다.^, 패러다임에 걸쳐 다양한 적응은 노출¹⁶동안 행동 반응을 통해 온라인 학습의 측정으로, 2-AFC 측정에서 멀리 이동하기위한 노력의 일환으로 개발되었다. 노출 단계에서 반응 시간을 측정하는 이러한 적응을 이용한 연구에 따르면 성인 학습자^18의정확도에 비해 더 나은 테스트 재테스트 신뢰성을 가진 학습 후^{정확도(17)와} 관련이 있는 것으로 나타났습니다.

언어 학습이 발생하는 암시적 과정은 언어 학습이^19번언어가 학습되면 사용되는 것과 다른 신경 자원을 모집하기 때문에 신경 측정은 시간이 지남에 따라 학습이 어떻게 전개되는지에 대한 우리의 이해에 기초적입니다. 신경 측정은 또한 특수 인구^20에걸쳐 인지 전문화 기본 언어 능력의 차이에 대한 통찰력을 제공합니다. 조건 대비가 fMRI 연구에서 어떻게 디자인되는지는 학습 중에 신경 활성화 패턴을 해석하는 방법에 매우 중요합니다. 한 가지 일반적인 관행은 규칙적인 패턴을 포함하는 서열과 무작위로 정렬되는 동일한 자극을 포함하는 시퀀스 사이의 친숙한 단계 동안 뇌 반응을 비교하는 것입니다. 그러나, 이러한 무작위 제어 조건을 구현 하는 이전 연구 행동에 학습에 대 한 증거를 발견, 구조화 및 무작위 시퀀스 사이 신경 차이에도 불구 하 고. 이는 구조화 된 시퀀스의 학습에 임의의 시퀀스의 간섭 때문일 수 있습니다, 둘 다 동일한 자극으로 구성된 바와^{같이(21)22.,} 제어 조건이 학습을 확인함에 따라 후진 음성 또는 이전 학습 블록을 활용한 다른 fMRI 연구는 행동적으로^19,,23로일어났다. 그러나, 이러한 각 패러다임은 이전 케이스에 대한 언어 처리의 효과와 후자의 경우에 대한 실험 순서의 효과와 같은 자체 혼란 요인을 도입했다. 우리의 패러다임은 임의의 시퀀스를 제어 조건으로 사용하지만 참가자의 구조화 된 시퀀스 학습에 대한 간섭을 완화합니다. 당사의 fMRI 패러다임은 또한 혼합 블록/이벤트 관련 설계를 구현하여 일시적인 시험 관련 및 지속적인 작업 관련 BOLD^{신호(24)를}동시 모델링할 수 있도록 합니다. 마지막으로, 더 광범위하게, 신경 측정은 명시적 행동 반응을 유도하는 것이 어려울 수 있는 인구에서 학습의 측정을 허용합니다 (예를 들어, 발달 및 특수 인구)^25.

현재 프로토콜은 기존의 정확도 측정 외에도 응답 시간 측정을 채택하고 친숙화 단계에서 뇌 활성화를 검사합니다. 이러한 방법의 조합은 실시간 학습 프로세스의 조사를 위한 풍부한 데이터 집합을 제공하는 것을 목표로 합니다. 웹 기반 플랫폼은 노출 단계에서 응답 시간과 테스트 단계에서 2-AFC 작업의 정확도를 모두 포함하는 일련의 학습 측정값을 제공합니다. 신경 이미징 프로토콜은 도메인 및 양식에 걸쳐 통계 학습을 지원하는 기본 신경 메커니즘의 조사를 허용합니다. 웹 기반 및 fMRI 프로토콜을 모두 사용하여 개인 내에서 통계 학습을 측정하는 것이 최적이지만, 이 작업은 독립적으로 전파될 수 있도록 설계되므로 통계 학습의 두 가지 독립적인 척도로 사용됩니다. 현재 프로토콜에 포함된 fMRI 실험은 자극 인코딩, 패턴 추출 및 통계 학습의 다른 구성 요소가 특정 뇌 영역 및 네트워크에 의해 표시되는 방법을 명확히 하는 데 도움이 될 수 있습니다.

프로토콜

모든 참가자는 참여에 대한 서면 동의를 했고, 연구는 기관심사위원회에 따라 진행되었다.

1. 웹 기반 프로토콜에 활용되는 통계 학습 패러다임 개요

1. 이미지(시각 언어학), 문자(시각적 언어학), 톤(청각-언어학), 음절(청각 언어학) 등 현재 패러다임에 네 가지 작업을 포함합니다.
   1. 12개의 독립형 외계인 만화 이미지(이미지)와 12개의 문자 이미지(문자)를 사용하여 시각적 작업에 자극을 가합니다. B, J, K, A, H, C, F, E, J, G, D, M) 그들에 기록 된 대문자와 함께 12 표지판을 들고 같은 외계인을 보여주는.
   2. 12 개의 영어 음절 (음절; 파이, 푸, pa, ti, tu.ta, di, du, da, bi, bu, ba) 및 같은 옥타브 내에서 12 개의 음악 톤을 사용하여 청각 자극을 구성합니다 (톤; F, G, D, G #, C #, B, C, F#, D#, E, A, A#). 음절 자극은 인공 음성 신디사이저를 사용하여 만들 수 있으며 Praat^26,,27에서별도의 파일로 기록 할 수 있습니다.
2. 친숙한 단계에서 구조화 된 스트림에 자극을 제시합니다(그림 1참조). 피드백은 익숙화 또는 테스트 단계에서 언제든지 제공되지 않습니다.
   참고: 각 작업 내에서 친숙 단계는 즉시 테스트 단계뒤에 있습니다.
   1. 이미지(시각적 비언어적) 작업의 경우 12개의 이미지를 4개의 대상 세 쌍둥이로 구조화합니다. 친숙한 단계에서, 4개의 표적 삼중항각각을 24회 반복하여 총 96개의 삼중항을 한다.
      참고: 96개의 세쌍둥이는 임의로 연속 스트림에 결합되며, 트리플렛을 즉시 반복할 수 없는 제약 조건이 있습니다. 이미지는 화면 중앙에 한 번에 하나씩 표시됩니다. 각 이미지는 800ms에 대해 200ms의 자극 간격으로 제공됩니다. 전체 친숙 단계는 4 분 48 초 동안 지속됩니다.
   2. 테스트 단계가 항상 친숙 단계를 따르며 32개의 2차 강제 선택(2AFC) 질문으로 구성됩니다. 각 질문에 대해, 2가지 옵션을 포함한다: 친숙한 단계로부터의 표적 삼중과 호일 삼중항이라고 불리는 친숙단계에 포함되지 않은 삼중항.
      참고: 호일 삼중항은 호일 삼중삼의 각 이미지의 상대적 위치가 대상 삼중과 동일할 수 있도록 구성됩니다. 각 대상및 호일 삼중삼은 테스트에서 총 8회 제시되고, 각 호일 표적 쌍이 반복된다. 시험 단계는 무작위로 주문된 시험 32개(표적 트리플렛 4개 x 포일 트리플렛 x 2회 반복)로 구성됩니다.
   3. 편지(시각적 언어학) 작업의 경우 4개의 대상 삼중항(GJA, FKC, LBE 및 MDH)으로 구성된 대문자 이미지 12개가 포함됩니다.  시험 단계의 경우 4호일 트리플렛(GDE, FJH, LKA, MBC)을 만들고 대상 삼중항과 페어링하여 322222AFC 시험 시험을 형성합니다. 문자 트리플렛에는 단어, 일반적인 약어 또는 초기주의가 포함될 수 없습니다.
   4. 톤 (청각 -비 언어학) 작업에 대한 작업은 같은 옥타브 내에서 12 음악 순수 톤을 포함하고 (중간 C에서 시작하는 전체 색채 척도) 네 개의 대상 트리플 렛 (F # DE, ABC, C #A #F, GD #G #G#)에 결합. 시각적 작업과 달리 청각 지각 선호도^6,,28,,29의차이로 인해 프레젠테이션 속도가 빠릅니다.
      참고: 4개의 표적 삼중항은 각각 총 192개의 삼중항(시각적 조건의 두 배)에 대해 48회 반복됩니다. 모든 삼중항은 사운드 스트림에 결합되어 트리플렛이 연속으로 두 번 반복되지 않습니다. 참가자가 빈 화면을 보는 동안 순수한 톤은 한 번에 하나씩 표시됩니다. 각 톤의 지속 시간은 20 ms 상호 자극 간격으로 460 ms입니다. 전체 스트림은 약 4 분 과 36 초 지속됩니다. 시각적 작업에서와 같이, 목표 및 호일 삼중 항로쌍(F#BF, AA#G#, C#D#E, GDC)의 쌍이 있는 32개의 2AFC 시험의 테스트 단계는 즉시 친숙한 단계를 따릅니다.
   5. 음절(청각 언어) 작업의 경우 12개의 자음 모음(CV) 음절을 4개의 대상 삼중항(파비구, 고라투, 다-로피, 티부도)으로 분류한다. 각 음절과 자극 간 간격의 지속 시간은 톤 조건과 동일합니다. 4개의 호일 삼중항(파로도, 고부구, 다-비투, 티라파이)을 시험 단계에서 대상 삼중항과 페어링합니다.
3. 참가자 간에 4개의 통계 학습 작업의 순서를 임의화합니다.

2. 참가자 모집

참고: 웹 기반 프로토콜과 fMRI 프로토콜은 단일 참가자 내에서 함께 구현하는 것이 가장 적합하지만 각 작업에 대한 참가자 모집 모범 사례를 독립적으로 설명합니다.

1. 웹 기반 참가자 모집
   1. 6세 이상 참가자를 모집합니다. 성별, 인종 및 민족의 참가자는 참여할 수 있습니다. 그러나, 연구 샘플은 인구를 대표한다.
   2. 영어 원어민이며 5세 이전에 영어 이외의 언어에 노출된 참가자를 모집합니다.
   3. 그들은 알려진 된 심리적 (추가 포함, 우울증, PTSD, 그리고 임상 불안) 및/또는 신경 상태 (뇌졸중 포함, 발작, 뇌 종양, 또는 폐쇄 머리 부상 포함)를 보고 하지 확인.
   4. 참가자가 정상 또는 수정- 정상- 투-정상 시력(안경 또는 접촉은 괜찮음), 정상적인 색 시야 및 정상적인 청력(보청기 또는 인공와우 장치 없음)을 보장합니다.
2. 과제 기반 fMRI 참가자 모집
   1. 6세 이상 참가자를 모집합니다. 성별, 인종 및 민족의 참가자는 참여할 수 있습니다. 그러나, 연구 샘플은 인구를 대표한다.
   2. 자격을 갖추기 위해, 영어 원어민이며 5세 이전에 영어 이외의 언어에 노출된 적이 없는 참가자를 모집합니다.
   3. 알려진 심리적 (추가, 우울증, PTSD 및 임상 불안 포함) 및 신경 상태 (뇌졸중, 발작, 뇌종양 또는 폐쇄 된 머리 부상 포함)가없는 오른손 개인을 모집하십시오.
   4. 임신, 밀실 공포증, 정신 약물 복용, 또는 신체에 금속이있는 참가자를 제외 (심박 조율기, 신경 임플란트, 금속 플레이트 또는 관절, 파편, 외과 스테이플 포함).
   5. 참가자가 정상 또는 수정- 정상- 투-정상 시력(안경 또는 접촉은 괜찮음), 정상적인 색 시야 및 정상적인 청력(보청기 또는 인공와우 장치 없음)을 보장합니다.
   6. 참가자(또는 참가자가 미성년자인 경우 부모)가 MRI 안전 검진 양식을 작성하여 MRI에 참여할 수 있는 자격을 결정합니다.

3. 웹 기반 프로토콜

참고: 웹 기반 통계 학습 패러다임은 보안 웹 사이트(https://www.cogscigame.co^11)에서호스팅되며, 자바스크립트 라이브러리인 jsPsych를 사용하여 개발되었다^30.

1. 작업을 재현하려면 DOI로 이동하십시오: 10.5281/zenodo.3820620. 모든 스크립트와 자료는 공개적으로 사용할 수 있습니다. 연구원은 출력 파일에 대한 모든 경로가 적절하게 설정된 한 스크립트를 수정하고 모든 웹 브라우저에서 로컬로 실험을 실행할 수 있습니다.
2. 참가자들이 각 통계 학습 작업의 모든 친숙한 단계에서 특정 대상을 볼 때 버튼을 누르도록 하는 커버 작업을 완료하도록 합니다.
3. 각 작업에 대한 목표 자극 할당
   1. 이미지, 문자 및 음절 작업에서 네 개의 세 쌍둥이 중 하나를 임의로 선택하고 대상을 삼중 자극의 세 번째 자극에 할당합니다. 톤 작업에서, 대상 자극을 삼중항에서 세 번째 자극의 가장 낮거나 가장 높은 톤으로제한하고 대상을 삼중 자극의 세 번째 자극에 할당합니다. 이것은 톤 자극이 자극의 다른 모형 보다는 차별하기 위하여 상대적으로 어렵기 때문에 행해집니다.
   2. 음절과 톤 작업에서, 외계인과 외계인 언어 / 민속 음악에 좋아하는 단어 / 노트에 참가자를 소개합니다. 참가자들에게 외계인의 언어/음악을 듣고 좋아하는 단어/메모를 들을 때마다 스페이스바를 누르는 것을 기억한다고 말하십시오.
   3. 이미지 작업에서, 외계인의 그룹이 우주선에 들어가기 위해 줄을 서서 특별한 외계인을 추적하도록 참가자들에게 말한다. 편지 작업에서, 외계인이 퍼레이드에 대한 표지판을 들고로 외계인의 마음에 드는 기호를 추적참가자에게. 이미지와 문자 작업 모두에서 참가자에게 연습 시험을 제공합니다.
   4. 삼중항의 존재에 대한 명시적 지침을 제공하지 마십시오.
   5. 시각적 작업의 24번의 시험과 온라인 학습을 평가하기 위한 청각 작업의 48회 시험을 통해 응답 시간을 측정합니다.
   6. 시험 단계에서는 대상(친숙 단계에 포함) 및 호일 삼중(친숙 단계에 포함되지 않음)이 모두 참가자에게 제시된다. 그런 다음 참가자들에게 두 가지 중 하나가 익숙화 단계에서 보거나 들었던 것과 더 유사한 지 선택하도록 지시합니다. 각 평가판은 응답으로 끝나야 합니다.
4. 웹 기반 프로토콜에서 통계 학습의 행동 측정
   1. 반응 시간의 선형 경사를 통해 친숙한 단계 동안 실시간 학습을 측정합니다(친숙한 단계 전반에 걸친 반응 시간의 변화).
   2. 대상에 대한 유효한 응답으로 간주되려면 키프레스가 목표 자극 후 한 자극전과 하나의 자극의 시간 창에 있어야 합니다. 즉 - 480 ms ~ +960 ms 청각 작업에서 대상의 개시에 비해 및 -1000 ms ~ +2000 ms 시각적 작업. 대상에 앞서 키프레스는 기대로 간주되므로 부정적인 반응 시간을 산출합니다.
   3. 조건 전반에 걸친 반응 시간을 비교하려면 각 작업에 대한 각 참가자의 반응 시간을 z 점수로 변환합니다. 이렇게 하면 개별의 반응 시간을 정규화하여 작업 간에 점수를 비교할 수 있습니다.
   4. 선형 회귀를 사용하여 각 조건에 대한 각 참가자의 반응 시간 경사를 계산합니다. z-normed 반응 시간을 종속 변수및 대상 시험 순서로 독립적인 변수로 입력합니다(시각적: 1 받는 사람은 24; 청각: 1 ~ 48). 선형 회귀 선(베타 계수/견적)의 기울기는 반응 시간 경사(RT 경사)입니다.
   5. 시험 단계에서 정확한 시험 횟수를 총 시험 횟수(32회 시험)로 나누어 각 조건에 대한 각 참가자의 오프라인 정확도를 측정합니다.

4. 작업 기반 fMRI 프로토콜

1. 통계 학습 패러다임에 대한 수정(그림 2).
   1. 각 작업에 대해 구조화 된 시퀀스 (통계 규칙 포함)와 임의 시퀀스 (통계 적 규칙 없음)를 모두 제시합니다.
      참고: 구조화 된 시퀀스는 웹 기반 프로토콜에 대해 설명된 순서와 동일합니다(그림 1참조). 대조적으로, 임의의 시퀀스는 구조화 된 서열에 제시된 것과 동일한 12 자극을 포함하지만 무작위로 의사 명령된다. 세 자극의 조합은 두 번 이상 반복되지 않습니다.
   2. 각 시퀀스를 동일한 길이의 6개의 작은 블록(시각적 작업에 대한 24자극, 청각 작업에 대한 48개의 자극)으로 나눕니다.
   3. 3개의 구조화 된 블록, 3 개의 무작위 블록 및 6 개의 휴식 블록 (빈 화면으로 침묵)을 의사 랜덤 순서로 결합하여 청각 자극의 4 개의 실행과 4 개의 시각적 자극을 만듭니다. 구조화 된 시퀀스의 학습을 극대화하기 위해 각 실행의 임의 블록이 구조화 된 시퀀스와 다른 도메인을 포함하도록 보장합니다 (예 : 음절 구조화 된 시퀀스는 한 런에서 톤 임의 시퀀스와 함께 제시되고 음절 임의 시퀀스는 다른 실행에서 톤 구조화 시퀀스와 함께 제공됩니다).
   4. 약 4.77분 동안 지속되는 시각적 작업에 대해 각 실행에서 제시할 288개의 이미지를 포함합니다. 약 4.42 분 지속되는 청각 작업에 제시 할 576 소리를 포함합니다. 각 블록의 시작 부분에서 구두 및 시각적 프로브가 있는 대상에 대한 단서를 제시합니다.
   5. 시각적 작업의 네 실행 중, 두 이미지의 구조화 된 시퀀스를 포함하고 다른 두 문자의 구조화 된 시퀀스를 포함하는 지 확인합니다. 청각 작업의 네 가지 실행 중, 두 음절의 구조화 된 시퀀스를 포함하고 다른 두 톤의 구조화 된 시퀀스를 포함하는지 확인합니다.
2. fMRI 통계 학습 절차
   1. 참가자, 특히 어린이가 스캐너에서 편안하게 사용할 수 있도록 모의^{스캐너(31)를}사용하여 먼저 MRI 스캔 세션을 연습하십시오. 모의 스캐너는 실제 스캔 세션과 유사한 자연주의 적 경험을 제공하지만 일반적으로 보다 어린이 친화적 인 환경에 위치합니다.
   2. 먼저 모의 스캐너, 즉 뇌 카메라에 아이를 소개하고 스캐너에 넣기 전에 편안하게 지낼 수 있습니다.
   3. 그들의 "스캔 친구"를 소개하고 스캔 친구의 목적은 그들이 동반 유지하고 그들이 아무것도 필요로하는 경우 그들을 돕는 것입니다 설명합니다. 스캔 친구는 "카메라"에 의해 너무 많은 움직임이 감지되면 참가자에게 가만히 유지하도록 부드럽게 상기시켜줍니다.
   4. 스캐너에 들어가면 어린이 친화적 인 비디오를 재생하여 사운드및 비디오에 적응할 수 있습니다. 준비가 되면 미리 녹음된 스캐너 사운드 클립을 재생하여 실제 MRI에서 생성된 소음에 대비하십시오. 이 시간 동안 그들은 가만히 머물고 스캔 친구와 함께 일하는 연습을해야합니다.
   5. 통계 학습 패러다임을 어린이들에게 소개하고 스캐너 밖에서 연습하게 한다. 이는 위에서 언급한 3.2.2 및 3.2.3 단계를 수행하여 웹 기반 프로토콜과 유사한 컴퓨터에서 작업의 짧은 부분을 완료하도록 함으로써 수행됩니다.
      참고: 연습 자극은 작업에 활용된 것과 동일합니다. 그러나, 아이들은 특정 시퀀스를 학습할 수 없이 자극및 작업 요구에 대한 간단한 습관을 허용, 구조화 된 시퀀스가 아닌 임의의 시퀀스에 노출된다.
   6. FMRI 데이터 수집 프로토콜이 MRI 수집 컴퓨터에 적절하게 설정되어 있는지 확인합니다.
      참고 : 획득 매개 변수는 청소년 뇌 인지 발달 (ABCD) 연구 32의 권고를^{따릅니다.}
   7. 고해상도 T1 가중치 스캔으로 스캐닝 세션을 시작합니다. 176슬라이스 3D MPRAGE(자화 준비 된 래피드 그라데이션 에코) 볼륨 스캔을 TR (반복 시간) = 2500 ms, TE (에코 시간) = 2.9 ms, 플립 각도 = 8 °, FOV (시야) = 25.6 cm, 256 X 256 크기 매트릭스 및 1mm 슬라이스 두께를 사용하여 이를 획득하십시오. 이번 인수는 7.2분 동안 지속됩니다.
   8. 기능 적 데이터를 수집하려면 TR = 800 ms, TE = 32 ms, 플립 각도 = 61 °, FOV = 21cm 및 매트릭스 = 64 x 64로 동시 다중 슬라이스 스캔 을 사용하여 T2 * 가중 에코 평면 이미징을 사용합니다. 이 실험에서는 2.5mm 슬라이스 두께, 21cm FOV 및 64 X 64 매트릭스가 있는 인터리브 된 서열에서 60 개의 인접 슬라이스를 획득하여 2.5mm x 2.5 mm x 2.5 mm의 평면 해상도를 생성합니다.
   9. 참가자가 스캐너 소음으로부터 귀를 보호하는 헤드폰과 손에 반응 패드/버튼 박스(헤드폰과 버튼 박스 모두 스캐너 호환 가능)로 fMRI 스캐너 의 침대에 편안하게 누워 있어야 합니다.
   10. 데이터 수집 중에 제한된 헤드 모션을 보장하기 위해 머리 주위에 추가 패딩을 배치합니다. 참가자에게 미리 버튼 응답 상자를 제공하여 응답을 기록하고 왼쪽 또는 오른손이 참가자 간에 단추를 누르는 데 사용되는지 여부를 균형을 잡습니다.
   11. 모든 어린이에게 스캔 친구의 옵션을 제공합니다. 스캔 친구없이 편안한 나이가 신경 전형어린이의 경우, 고민하거나 멈출 필요가 있는 경우 실험자에게 알릴 수 있는 스퀴즈 볼을 준다. 어린 아이들과 특별한 사람들에게 짜내기 공을 주면서도 그들을 돕기 위해 스캔 친구를 제공합니다 (4.2.3에 설명).
   12. 머리 코일을 참가자의 머리 위에 놓고 침대에서 환자의 위치를 정렬합니다.
   13. 인수 컴퓨터에서 새 참가자를 등록합니다. 참가자 ID, 생년월일, 체중 및 신장을 입력합니다. 참가자가 이제 MRI의 보어에 삽입될 수 있습니다.
   14. 참가자들에게 영화를 보여주면서 T1 가중치 검사를 획득합니다.
   15. 통계 학습 패러다임을 시작하기 전에 참가자들에게 헤드폰에 연결된 인터콤 시스템을 통해 각 과제의 지침을 제공합니다.
   16. 청각 작업에서 참가자들에게 "이제 버튼을 누르는 게임을 할 것입니다. 외계인이 말을 하고 음악을 연주하는 것을 듣게 될 것입니다. 듣고 있는 소리가 들릴 때마다 왼쪽/오른손의 버튼을 누르는 것을 기억하십시오. 4개의 부품이 있고, 각 부품은 약 5분 동안 지속됩니다."
   17. 시각적 작업에서, 참가자에게 : "지금 당신은 외계인과 편지의 사진을 볼 것입니다. 찾고 있는 사진이 표시되면 왼쪽/오른손의 버튼을 누릅니다. 당신은 연속으로이 4 번 재생됩니다. 매번 약 5분이 소요됩니다."
   18. 프레젠테이션 컴퓨터에서 통계 학습 패러다임을 시작하고 작업 fMRI 데이터를 획득합니다.
   19. 참가자가 패러다임을 완료하면 MRI를 중지하고 스캐너 내부에서 안전하게 제거하고 머리 코일을 제거합니다.
   20. 데이터 수집 후 추가 분석을 위해 수집 컴퓨터에서 보안 서버로 모든 MRI 데이터를 전송합니다.
3. fMRI 데이터 분석
   1. fMRI 작업 중 스캐너 내 반응 시간을 친숙한 단계 중 반응 시간의 웹 기반 계산과 유사하게 분석합니다. 반응 시간을 정규화하여 조건을 비교하고, 개별의 각 조건에 대해 정규화된 반응 시간을 사용하여 선형 경사를 계산한다.
   2. fMRI 데이터를 분석할 때 먼저 HeuDiConv 34(https://github.com/nipy/heudiconv)를 사용하여 데이터를 뇌 이미징³⁴ 데이터 구조 33(BIDS)으로 구성하고 변환합니다.³³
   3. fMRIPrep^35,,36을사용하여 이러한 데이터를 사전 처리합니다. 이 자동화된 전처리 파이프라인은 AFNI^37,ANTs^38,프리서퍼^39,FSL⁴⁰및 Mindboggle^41의 방법론을 결합하여 데이터 분석에 사용하기 위해 과학적으로 엄격하고 재현 가능한 데이터를 제공합니다.
      참고: 현재 스터디에서 혼합 블록/이벤트 관련 설계를 구현합니다. 대표 결과(아래)는 각 미니 블록을 이벤트로 취급합니다(예: 임의 시퀀스는 이벤트, 구조화 된 시퀀스 등). 그러나 각 자극을 이벤트로 모델링할 수 있도록 작업도 설계되었습니다.
   4. 1급 모델 디자인에는 각 실행에 대해 두 개의 작업 회귀(시각적 조건에 대한 "이미지"와 "문자", 청각 조건에 대한 "음절" 및 "톤")을 포함합니다. 표준 혈역학 응답 함수를 사용하여 이벤트 시작 시간 벡터를 표준 혈역학 응답 함수로 지속 시간과 수렴하여 작업 회귀를 결정합니다. 상위 수준 모델 설계를 위해 각 주제 내에서 실행 간의 차이와 수단을 계산합니다. 이렇게 하면 각 자극 유형 내에서 구조화된 시퀀스와 임의의 시퀀스 간의 대비가 발생합니다.
   5. 각 양식/도메인 내의 임의 블록과 비교하여 구조화 된 블록에 대한 활성화 그룹을 만듭니다.

결과

웹 기반 행동 결과
현재 프로토콜은 발달 인구와 쉽게 보급하도록 설계되어, 우리는 22 개발 학교 세 어린이 (평균 (M) 연령 = 9.3 년, 표준 편차 (SD) 나이 = 2.04 년, 범위 = 6.2-12.6 년, 13 소녀)의 데이터를 기반으로 예비 웹 기반 결과를 포함했다. 웹 기반 통계 학습 작업에서, 아이들은 그룹 수준에서 성공적인 통계 학습을 나타내는 모든 조건에서 0.5 기회 수준보다 훨씬 더 나은 수행 (통계를위한 표 1 참조; 그림 3). 평균 반응 시간 경사는 음절 조건에서 음수 및 0 보다 현저히 낮았다(M = -0.01), SD = 0.02, t(14) = -2.36, 원테일 p = .02) 및 문자 조건에서 약간 유의(M = -0.02, SD = 0.06, t(15) = -1.52, 원테일 p = .07, 도 4),친숙한 단계화 중에...

토론

현재 프로토콜에 제시된 방법은 개발 과정에서 통계 학습의 행동 및 신경 지수를 이해하기 위한 다중 모달 패러다임을 제공합니다. 현재 설계를 통해 양식 및 도메인 전반에 걸쳐 통계 학습 능력의 개별적인 차이를 식별할 수 있으며, 이는 통계 학습과 언어 개발 간의 관계에 대한 향후 조사에 사용될 수 있습니다. 개인의 통계 학습 능력은 도메인 과 양식^에따라 다를 수 있기 때문에^6,88,9,참가자가 네 가지 작업을 모두 완료하면 최적입니다. 일반적으로 발달하는 아이들과 성인에게서 사실 인정은 통계 학습 도메인/양식에 걸쳐 개별의 성과가 어휘⁴ 및 읽기^5,,6 결과와 차별화할 수 있다는 것을 표시합니다. 따라서 현재 프로토콜에...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
4버튼 인라인 응답 장치	Cambridge Research Systems	SKU: N1348	스캐너 내 응답 시간을 측정하는 데 사용되는 fMRI 응답 패드
Short/Slim Canal Tips	Comply Foam	SKU: 40-15028-11	짧고 슬림한 인이어 팁 어린이가 청력을 보호하고 스캐너 안에 있는 동안 자극을 들을 수 있도록 하는 것이 좋습니다.
jsPsych	jsPsych	https://www.jspsych.org/	jsPsych는 웹 브라우저에서 행동 실험을 실행하기 위한 JavaScript 라이브러리입니다.
음성 합성기	Praat	버전 6.1.14	이 프로그램은 음절 자극을 생성하는 데 사용된 인공 음성 합성기입니다.
웹 기반 통계 학습 과제	Zenodo	http://doi.org/10.5281/zenodo.3820620 (2020).	모든 웹 기반 통계 학습 작업은 Zenodo에서 무료로 액세스할 수 있습니다.