Artigo de método

Medindo a aprendizagem estatística entre modalidades e domínios em crianças em idade escolar através de uma plataforma online e técnicas de neuroimagem

DOI:

10.3791/61474

⸱

30 de junho de 2020

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

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Apresentado aqui está um protocolo que introduz um conjunto de tarefas de aprendizagem estatística favorável às crianças voltadas para examinar o aprendizado das crianças sobre padrões estatísticos temporais entre domínios e modalidades sensoriais. As tarefas desenvolvidas coletam dados comportamentais usando a plataforma baseada na Web e dados de ressonância magnética funcional (fMRI) baseados em tarefas para examinar o engajamento neural durante o aprendizado estatístico.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

A aprendizagem estatística, uma habilidade fundamental para extrair regularidades no ambiente, é frequentemente considerada um mecanismo de apoio central do desenvolvimento da primeira língua. Embora muitos estudos de aprendizagem estatística sejam realizados dentro de um único domínio ou modalidade, evidências recentes sugerem que essa habilidade pode diferir com base no contexto em que os estímulos são apresentados. Além disso, poucos estudos investigam a aprendizagem à medida que se desenrola em tempo real, em vez de focar no resultado da aprendizagem. Neste protocolo, descrevemos uma abordagem para identificar a base cognitiva e neural da aprendizagem estatística, dentro de um indivíduo, entre domínios (linguístico versus não linguístico) e modalidades sensoriais (visuais e auditivos). As tarefas são projetadas para lançar o mínimo de demanda cognitiva possível nos participantes, tornando-a ideal para crianças jovens em idade escolar e populações especiais. A natureza baseada na web das tarefas comportamentais oferece uma oportunidade única para alcançarmos populações mais representativas em todo o país, estimar tamanhos de efeito com maior precisão e contribuir para pesquisas abertas e reprodutíveis. As medidas neurais fornecidas pela tarefa de ressonância magnética funcional (fMRI) podem informar os pesquisadores sobre os mecanismos neurais envolvidos durante a aprendizagem estatística, e como estes podem diferir entre os indivíduos com base no domínio ou modalidade. Finalmente, ambas as tarefas permitem a medição do aprendizado em tempo real, uma vez que mudanças no tempo de reação a um estímulo-alvo são acompanhadas ao longo do período de exposição. A principal limitação do uso deste protocolo diz respeito à duração de uma hora do experimento. As crianças podem precisar completar todas as quatro tarefas de aprendizagem estatística em várias sessões. Portanto, a plataforma baseada na Web é projetada com essa limitação em mente para que as tarefas possam ser disseminadas individualmente. Essa metodologia permitirá que os usuários investiguem como o processo de aprendizagem estatística se desenrola entre e dentro de domínios e modalidades em crianças de diferentes origens de desenvolvimento.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

A aprendizagem estatística é uma habilidade elementar que apoia a aquisição de combinações regidas por regras nos insumos linguísticos1. A capacidade de aprendizagem estatística bem sucedida em bebês prevê o sucesso do aprendizado de línguas posterior2,,3. A variabilidade nas habilidades de aprendizagem estatística em crianças em idade escolar também tem sido associada ao vocabulário4 e à leitura5,6. A dificuldade na aprendizagem estatística tem sido proposta como um mecanismo etiológico subjacente ao comprometimento da linguagem7. Apesar da associação entre aprendizagem estatística e desfechos linguísticos em populações neurotípicas e atípicas, os mecanismos cognitivos e neurais subjacentes à aprendizagem estatística permanecem mal compreendidos. Além disso, a literatura anterior revelou que, dentro de um indivíduo, a capacidade de aprendizagem estatística não é uniforme, mas independente entre domínios e modalidades6,,8,,9. A trajetória de desenvolvimento das habilidades de aprendizagem estatística pode variar ainda mais entre domínios e modalidades10. Esses achados enfatizam a importância de avaliar diferenças individuais na aprendizagem estatística em múltiplas tarefas ao longo do desenvolvimento. No entanto, o campo primeiro requer uma investigação mais sistemática da relação entre aprendizagem estatística e desenvolvimento de primeira língua. Para abordar essas questões, aplicamos métodos inovadores, incluindo uma plataforma de testes baseada na Web11 que atinge um grande número de crianças, e técnicas de neuroimagem baseadas em laboratório (ressonância magnética funcional, ou ressonância magnética) que examinam a codificação em tempo real de informações estatísticas.

As medidas padrão de aprendizagem estatística começam com uma fase de familiarização e são seguidas por uma tarefa de escolha forçada duas alternativas (2-AFC)12,13. A fase de familiarização introduz um fluxo contínuo de estímulos incorporados com regularidades estatísticas, onde alguns estímulos são mais propensos a co-ocorrer do que outros. A apresentação desses estímulos coincideis segue uma ordem temporal fixa. Os participantes são passivamente expostos ao fluxo durante a fase de familiarização, seguidos de uma tarefa 2-AFC que testa se o participante extraía com sucesso os padrões. A tarefa de precisão 2-AFC apresenta duas sequências consecutivas: uma sequência foi apresentada ao participante durante a fase de familiarização, enquanto a outra é uma sequência nova, ou contém parte da sequência. A precisão acima do acaso no 2-AFC indicaria um aprendizado bem-sucedido no nível do grupo. As tarefas comportamentais tradicionais que avaliam o aprendizado estatístico geralmente dependem da precisão como medida de resultado da aprendizagem. No entanto, a precisão não leva em conta o aprendizado natural da informação à medida que se desenrola no tempo. Uma medida de aprendizagem em tempo real é necessária para aproveitar o processo de aprendizagem implícita da aprendizagem estatística durante o qual as crianças ainda estão codificando as regularidades dos insumos14,,15,,16. Várias adaptações entre paradigmas foram desenvolvidas em um esforço para se afastar da medida 2-AFC, em direção a medidas de aprendizagem on-line através de respostas comportamentais durante a exposição16. Estudos que utilizam essas adaptações que medem o tempo de reação durante a fase de exposição descobriram que estavam relacionados à precisão pós-aprendizagem17 com melhor confiabilidade de teste-reteste em comparação com a precisão em alunos adultos18.

As medidas neurais também são fundamentais para nossa compreensão de como a aprendizagem se desenrola ao longo do tempo, como o processo implícito pelo qual o aprendizado da língua ocorre provavelmente recruta diferentes recursos neurais daqueles usados uma vez que a linguagem é aprendida19. As medidas neurais também fornecem insights sobre diferenças nas especializações cognitivas subjacentes à capacidade linguística em populações especiais20. Como o contraste da condição é projetado em um estudo de ressonância magnética é crucial para a forma como interpretamos padrões de ativação neural durante o aprendizado. Uma prática comum é comparar as respostas cerebrais durante a fase de familiarização entre sequências contendo padrões regulares versus aquelas que contêm os mesmos estímulos que são ordenados aleatoriamente. No entanto, pesquisas anteriores que implementavam tal condição de controle aleatório não encontraram evidências para aprender no comportamento, apesar das diferenças neurais entre sequências estruturadas e aleatórias. Isso pode ser devido à interferência de sequências aleatórias no aprendizado de sequências estruturadas, pois ambas foram construídas a partir dos mesmos estímulos21,22. Outros estudos de ressonância magnética que utilizaram a fala retrógrada ou blocos de aprendizagem anteriores como condição de controle confirmaram que a aprendizagem ocorreu comportamentalmente19,23. No entanto, cada um desses paradigmas introduziu seu próprio fator de confusão, como o efeito do processamento da linguagem para o primeiro caso e o efeito da ordem experimental para este último caso. Nosso paradigma usa a sequência aleatória como condição de controle, mas mitiga sua interferência no aprendizado dos participantes sobre as sequências estruturadas. Nosso paradigma fMRI também implementa um design misto relacionado a blocos/eventos, que permite a modelagem simultânea de sinais BOLD relacionados a testes transitórios e sustentados relacionados à tarefa24. Por fim, e de forma mais ampla, as medidas neurais permitem a medição da aprendizagem em populações onde a obtenção de uma resposta comportamental explícita pode ser difícil (por exemplo, populações desenvolvimentísticas e especiais)25.

O protocolo atual adota uma medida de tempo de resposta, além das medidas tradicionais de precisão, e examina a ativação cerebral durante a fase de familiarização. A combinação desses métodos visa fornecer um rico conjunto de dados para a investigação de processos de aprendizagem em tempo real. A plataforma baseada na Web oferece um conjunto de medidas de aprendizagem, incluindo o tempo de resposta durante a fase de exposição e a precisão da tarefa 2-AFC durante a fase de teste. O protocolo de neuroimagem permite a investigação dos mecanismos neurais subjacentes que suportam o aprendizado estatístico entre domínios e modalidades. Embora seja ideal medir o aprendizado estatístico dentro de um indivíduo usando os protocolos baseados na web e no FMRI, as tarefas são projetadas para que possam ser disseminadas de forma independente e, portanto, como duas medidas independentes de aprendizagem estatística. Os experimentos de ressonância magnética incluídos no protocolo atual podem ajudar a esclarecer como a codificação de estímulos, a extração de padrões e outros componentes constituintes da aprendizagem estatística são representados por regiões e redes cerebrais particulares.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Todos os participantes deram consentimento por escrito para participar e o estudo foi realizado de acordo com o Conselho de Revisão Institucional.

1. Visão geral do paradigma estatístico de aprendizagem utilizado no protocolo baseado na Web

  1. Incluem quatro tarefas no paradigma atual: imagem (visual-não-inlinguística), letra (visual-linguística), tom (auditiva-nãolinguística) e sílaba (auditiva-linguística).
    1. Construa estímulos para tarefas visuais usando 12 imagens de desenhos animados alienígenas (imagem) e 12 letras (letra; B, J, K, A, H, C, F, E, J, G, D, M) mostrando o mesmo alienígena segurando 12 sinais com letras maiúsculas escritas sobre eles.
    2. Construa estímulos auditivos utilizando 12 sílabas inglesas (sílabas; pi,pu,pa,ti,tu.ta,di,du,da,bi,bu,ba) e 12 tons musicais dentro da mesma oitava (tom; F,G,D,G#,C#,B,C,F#,D#,E,A,A#). Os estímulos de sílaba podem ser feitos usando um sintetizador de fala artificial, e podem ser registrados como arquivos separados em Praat26,27.
  2. Na fase de familiarização, apresente estímulos em um fluxo estruturado (ver Figura 1). O feedback não é fornecido em nenhum momento durante a fase de familiarização ou teste.
    NOTA: Dentro de cada tarefa, uma fase de familiarização é imediatamente seguida por uma fase de teste.
    1. Para a tarefa Imagem (visual-não-linguística), estrutura 12 imagens em quatro trigêmeos alvo. Na fase de familiarização, repita cada um dos quatro trigêmeos alvo 24 vezes para um total de 96 trigêmeos.
      NOTA: Os 96 trigêmeos são aleatoriamente concatenados em um fluxo contínuo, com a restrição de que nenhum trigêmeo pode ser imediatamente repetido. As imagens são apresentadas uma de cada vez no centro da tela. Cada imagem é apresentada para 800 ms com 200 ms de intervalo inter-estímulo. Toda a fase de familiarização durará 4 min 48 s.
    2. Certifique-se de que a fase de teste segue sempre a fase de familiarização e é composta por 32 perguntas alternativas de escolha forçada (2AFC). Para cada pergunta, incluem-se 2 opções: um trigêmeo alvo da fase de familiarização e um trigêmeo que não foi incluído na fase de familiarização, referido como um trigêmeo de papel alumínio.
      NOTA: Os trigêmeos de folha são construídos de modo que a posição relativa de cada imagem no trigêmeo de folha seja a mesma do trigêmeo alvo. Cada trigêmeo de destino e trigêmeo são apresentados 8 vezes no total em um teste, e cada par de alvos de folha é repetido. A fase de teste consiste em 32 (4 trigêmeos alvo x 4 trigêmeos de folha x 2 repetições) ensaios ordenados aleatoriamente.
    3. Para a tarefa da letra (visual-linguística) incluem 12 imagens de letras maiúsculas que são organizadas em quatro trigêmeos-alvo (GJA, FKC, LBE e MDH).  Para a fase de teste, crie 4 trigêmeos de folha (GDE, FJH, LKA e MBC) e emparelhe-os com os trigêmeos alvo para formar os 32 testes de 2AFC. Nenhuma carta trigêmea pode conter palavras, siglas comuns ou inicialismos.
    4. Para o tom (auditivo-não-inlinguístico) a tarefa incluem 12 tons puros musicais dentro da mesma oitava (uma escala cromática completa a partir do meio C) e concatena-los em quatro trigêmeos-alvo (F#DE, ABC, C#A#F e GD#G#). Ao contrário das tarefas visuais, a velocidade de apresentação é mais rápida devido às diferenças na preferência perceptiva auditiva6,,28,29.
      NOTA: Cada um dos quatro trigêmeos alvos é repetido 48 vezes para um total de 192 trigêmeos (o dobro das condições visuais). Todos os trigêmeos são concatenados em um fluxo de som sem trigêmeos sendo repetidos duas vezes seguidas. Tons puros são apresentados um de cada vez enquanto os participantes visualizam uma tela em branco. A duração de cada tom é de 460 ms com um intervalo inter-estímulo de 20 ms. Todo o fluxo dura cerca de 4 min e 36 s. Como nas tarefas visuais, uma fase de teste de 32 ensaios 2AFC com pares de trigêmeos de alvo e papel alumínio (F#BF, AA#G#, C#D#E, GDC) segue imediatamente a fase de familiarização.
    5. Para a sílaba (auditiva-linguística) use 12 sílabas vocálas consoantes (CV) criadas e agrupadas em quatro trigêmeos-alvo (pa-bi-ku, go-la-tu, da-ro-pi e ti-bu-do). A duração de cada sílaba e o intervalo inter-estímulo é o mesmo que a condição do tom. Par de quatro trigêmeos de folha (pa-ro-do, go-bu-ku, da-bi-tu e ti-la-pi) com os trigêmeos alvo na fase de teste.
  3. Randomize a ordem das quatro tarefas de aprendizagem estatística entre os participantes.

2. Recrutamento de participantes

NOTA: Enquanto o protocolo baseado na Web e o protocolo fMRI são melhor implementados em conjunto dentro de um único participante, aqui descrevemos as melhores práticas para o recrutamento de participantes para cada tarefa de forma independente.

  1. Recrutamento de participantes baseados na Web
    1. Recrutar participantes com 6 anos ou mais. Podem participar participantes participantes de qualquer sexo, raça e etnia; no entanto, a amostra de estudo deve ser representativa da população.
    2. Recrute participantes que sejam falantes de inglês nativos e não tenham sido expostos a línguas além do inglês antes dos 5 anos de idade.
    3. Certifique-se de que eles não relatam nenhum psicológico conhecido (incluindo DDA, depressão, TEPT e ansiedade clínica) e/ou condição neurológica (incluindo derrame, convulsão, tumor cerebral ou traumatismo craniano fechado).
    4. Certifique-se de que os participantes tenham visão normal ou corrigida ao normal (óculos ou contatos estão bem), visão de cor normal e audição normal (sem aparelho auditivo ou dispositivos de implante coclear).
  2. Recrutamento de participantes fMRI baseado em tarefas
    1. Recrutar participantes com 6 anos ou mais. Podem participar participantes participantes de qualquer sexo, raça e etnia; no entanto, a amostra de estudo deve ser representativa da população.
    2. Para ser elegível, recrute participantes que sejam falantes de inglês nativos e nunca tenham sido expostos a qualquer idioma além do inglês antes dos 5 anos de idade.
    3. Recrutar indivíduos destros, sem diagnóstico de doença psicológica (incluindo DDA, depressão, TEPT e ansiedade clínica) e condição neurológica (incluindo derrame, convulsão, tumor cerebral ou traumatismo craniano fechado).
    4. Exclua participantes grávidas, claustrofóbicas, tomem drogas psicoativas ou tenham qualquer metal no corpo (incluindo marcapassos, implantes neurais, placas de metal ou articulações, estilhaços e grampos cirúrgicos).
    5. Certifique-se de que os participantes tenham visão normal ou corrigida ao normal (óculos ou contatos estão bem), visão de cor normal e audição normal (sem aparelho auditivo ou dispositivos de implante coclear).
    6. Determinar a elegibilidade para participar da Ressonância Magnética, fazendo com que os participantes (ou os pais, se o participante for menor) preencham um Formulário de Triagem de Segurança de Ressonância Magnética.

3. Protocolo baseado na Web

NOTA: O paradigma de aprendizagem estatística baseado na Web está hospedado em um site seguro (https://www.cogscigame.co11) e desenvolvido usando jsPsych, uma biblioteca JavaScript para criar experimentos comportamentais on-line30.

  1. Para reproduzir tarefas, acesse DOI: 10.5281/zenodo.3820620. Todos os scripts e materiais estão disponíveis publicamente. Os pesquisadores podem modificar os scripts e executar os experimentos localmente em qualquer navegador da Web, desde que todos os caminhos para os arquivos de saída sejam configurados adequadamente.
  2. Que os participantes completem uma tarefa de cobertura onde eles são orientados a pressionar um botão quando virem um determinado alvo durante todas as fases de familiarização de cada tarefa de aprendizagem estatística.
  3. Atribuição de estímulo-alvo para cada tarefa
    1. Na imagem, letras e tarefas de sílabas, escolha aleatoriamente um dos quatro trigêmeos e atribua o alvo ao terceiro estímulo do trigêmeo. Na tarefa de tom, restringir o estímulo-alvo apenas aos tons mais baixos ou mais altos do terceiro estímulo nos trigêmeos, e atribuir a meta ao terceiro estímulo do trigêmeo. Isso é feito porque os estímulos de tom são relativamente mais difíceis de discriminar do que outros tipos de estímulos.
    2. Nas tarefas de sílaba e tom, introduza os participantes a um alienígena e a palavra/nota favorita em sua linguagem alienígena/música folclórica. Diga aos participantes que eles ouvirão a linguagem/música do alienígena e lembrem-se de pressionar a barra espacial sempre que ouvirem a palavra/nota favorita" excluindo o espaço entre /e nota.
    3. Na tarefa de imagem, diga aos participantes para acompanhar um alienígena especial enquanto um grupo de alienígenas se alinham para entrar em uma nave espacial. Na tarefa da carta, diga aos participantes para acompanhar o sinal favorito do alienígena enquanto o alienígena segura cartazes para um desfile. Dê ao participante um teste prático nas tarefas de imagem e letra.
    4. Não forneça instruções explícitas sobre a presença de trigêmeos.
    5. Meça o tempo de resposta ao longo dos 24 ensaios nas tarefas visuais e sobre os 48 ensaios nas tarefas auditivas para avaliar o aprendizado on-line.
    6. Durante a fase de teste, tanto um alvo (incluído na fase de familiarização) quanto o trigêmeo de papel alumínio (não incluído na fase de familiarização) são apresentados ao participante. Instrua os participantes a escolher qual dos dois é mais semelhante ao que viram ou ouviram na fase de familiarização. Cada julgamento deve terminar com uma resposta.
  4. Medidas comportamentais de aprendizagem estatística no protocolo baseado na web
    1. Meça o aprendizado em tempo real durante a fase de familiarização através da inclinação linear do tempo de reação (mudança no tempo de reação ao longo da fase de familiarização).
    2. Para ser considerada uma resposta válida ao alvo, verifique se a teclapress deve estar na janela de tempo de um estímulo antes e um estímulo após o estímulo-alvo. Ou seja, -480 ms a +960 ms em relação ao início do alvo nas tarefas auditivas e -1000 ms a +2000 ms nas tarefas visuais. Uma tecla antes do alvo é considerada como antecipação e, portanto, produz um tempo de reação negativa.
    3. Para comparar os tempos de reação entre as condições, transforme os tempos de reação de cada participante para cada tarefa em escores z. Isso normaliza os tempos de reação de um indivíduo para que as pontuações entre as tarefas possam ser comparadas.
    4. Calcule uma inclinação de tempo de reação de cada participante para cada condição usando regressão linear. Insira os tempos de reação normadas z como variável dependente e a ordem de ensaio alvo como variável independente (visual: 1 a 24; auditiva: 1 a 48). A inclinação da linha de regressão linear (coeficiente/estimativa beta) é a inclinação do tempo de reação (inclinação RT).
    5. Meça a exatidão off-line de cada participante para cada condição, dividindo o número de ensaios corretos da fase de teste pelo número total de ensaios (32 ensaios).

4. Protocolo fMRI baseado em tarefas

  1. Modificações no paradigma de aprendizagem estatística(Figura 2).
    1. Para cada tarefa, apresentam uma sequência estruturada (contendo regularidades estatísticas) e uma sequência aleatória (sem regularidades estatísticas).
      NOTA: As sequências estruturadas são idênticas às descritas para o protocolo baseado na Web (ver Figura 1). Em contraste, as sequências aleatórias contêm os mesmos 12 estímulos apresentados nas sequências estruturadas, mas são ordenadas pseudo-aleatoriamente. Nenhuma combinação de três estímulos se repete mais de uma vez.
    2. Divida cada sequência em seis blocos menores de comprimento igual (24 estímulos para as tarefas visuais e 48 estímulos para as tarefas auditivas).
    3. Concatenar três blocos estruturados, 3 blocos aleatórios e 6 blocos de descanso (silêncio com uma tela em branco) em uma ordem pseudorandom para criar quatro corridas de estímulos auditivos e quatro corridas de estímulos visuais. Para maximizar o aprendizado das sequências estruturadas, certifique-se de que os blocos aleatórios em cada execução contenham um domínio diferente da sequência estruturada (por exemplo, sequências estruturadas de sílabas são apresentadas juntamente com sequências aleatórias de tom em uma corrida, e sequências aleatórias sílabas são apresentadas juntamente com sequências estruturadas de tom em outra execução).
    4. Inclua 288 imagens a serem apresentadas em cada execução para a tarefa visual com duração aproximada de 4,77 min. Inclua 576 sons a serem apresentados na tarefa auditiva que dura aproximadamente 4,42 min. No início de cada bloco, apresente uma sugestão sobre o alvo com uma sonda verbal e visual: "Agora ouça/procure o [TARGET]".
    5. Entre as quatro corridas da tarefa visual, garantir que duas contenham sequências estruturadas de imagens e as outras duas contenham sequências estruturadas de letras. Entre as quatro corridas da tarefa auditiva, garantir que duas contenham sequências estruturadas de sílabas e as outras duas contenham sequências estruturadas de tons.
  2. procedimento de aprendizagem estatística fMRI
    1. Para ajudar a tornar os participantes, especialmente crianças, confortáveis no scanner, pratique a sessão de ressonância magnética primeiro usando um scanner simulado31. Um scanner simulado fornece uma experiência naturalista semelhante à sessão de digitalização real, mas é tipicamente situado em um ambiente mais amigável para crianças.
    2. Primeiro introduza a criança ao scanner simulado, ou seja, câmera cerebral, e certifique-se de que elas estão confortáveis antes de colocá-las no scanner.
    3. Apresente-os ao seu "scan-buddy" e explique que o propósito do amigo de digitalização é mantê-los acompanhados e ajudá-los se precisarem de alguma coisa. O amigo de varredura lembrará gentilmente o participante para ficar parado se muito movimento for detectado pela "câmera".
    4. Uma vez no scanner, reproduza vídeos infantis para ajudá-los a se adaptar ao som e ao vídeo. Quando estiverem prontos, toque alguns clipes de som de scanner pré-gravados para prepará-los para os ruídos produzidos pela ressonância magnética real. Durante esse tempo, eles praticam ficar parados e trabalhar com o amigo de varredura.
    5. Introduza as crianças ao paradigma de aprendizagem estatística e as tenha prática fora do scanner. Isso é feito fazendo com que as crianças completem uma breve parte da tarefa em um computador, semelhante ao protocolo baseado na Web, realizando as etapas 3.2.2 e 3.2.3 mencionadas acima.
      NOTA: Os estímulos práticos são os mesmos utilizados na tarefa; no entanto, as crianças só são expostas à sequência aleatória e não às sequências estruturadas, permitindo uma breve habituação aos estímulos e demandas de tarefas sem permitir o aprendizado de sequências específicas.
    6. Certifique-se de que o protocolo de coleta de dados fMRI esteja configurado adequadamente no computador de aquisição de ressonância magnética.
      NOTA: Os parâmetros de aquisição seguem as recomendações do Estudo de Desenvolvimento Cognitivo Do Cérebro do Adolescente (ABCD)32.
    7. Inicie a sessão de digitalização com varreduras de alta resolução ponderadas T1. Adquira-os utilizando uma varredura de volume de 176 fatias de MPRAGE (Magnetization Prepared Rapid Gradient Echo) com TR (Hora de Repetição) = 2500 ms, TE (Echo Time) = 2,9 ms, ângulo de lançamento = 8°, FOV (Campo de Visão) = 25,6 cm, 256 X 256 tamanho de matriz e 1 mm de espessura de fatia. Esta aquisição terá duração de 7,2 min.
    8. Para adquirir dados funcionais, use imagens eco-planar de peso T2*com aquisição simultânea de varreduras multi-fatias com TR= 800 ms, TE = 32 ms, flip angle = 61°, FOV = 21 cm e matriz = 64 x 64. Neste experimento, 60 fatias adjacentes são adquiridas em uma sequência intercalada com espessura de fatia de 2,5 mm, um FOV de 21 cm e uma matriz 64 X 64, resultando em uma resolução no plano de 2,5 mm x 2,5 mm x 2,5 mm.
    9. Os participantes deitam confortavelmente na cama do scanner fMRI com fones de ouvido que protegem seus ouvidos do ruído do scanner e uma caixa de caixa de resposta/botão na mão (tanto fones de ouvido quanto caixa de botão devem ser compatíveis com scanner).
    10. Coloque um estofamento adicional em torno de sua cabeça para garantir movimento limitado da cabeça durante a coleta de dados. Dê a caixa de resposta do botão ao participante com antecedência para registrar respostas e contrabalançar se a mão esquerda ou direita está usada para pressionar botões entre os participantes.
    11. Dê a cada criança uma opção de um amigo de varredura. Para crianças mais velhas e neurotípicas que se sentem confortáveis sem um amigo de tomografia, dê-lhes uma bola de aperto para notificar o experimentador se eles estão angustiados ou precisam parar. Dê às crianças mais novas e populações especiais uma bola de aperto, mas também forneça a elas um amigo de varredura para ajudá-las (descrita em 4.2.3).
    12. Coloque a bobina da cabeça sobre a cabeça do participante e alinhe a posição do paciente na cama.
    13. No computador de aquisição registre um novo participante. Digite o 8 de cada participante, data de nascimento, peso e altura. O participante pode agora ser inserido no furo da ressonância magnética.
    14. Adquira uma varredura ponderada por T1 enquanto mostra aos participantes um filme.
    15. Antes de iniciar o paradigma de aprendizagem estatística, dê aos participantes as instruções de cada tarefa falando com eles através de um sistema de interfone conectado aos seus fones de ouvido.
    16. Nas tarefas auditivas, diga aos participantes: "Agora vamos jogar um jogo de apertar botões. Você vai ouvir os alienígenas dizer palavras e tocar música. Lembre-se de pressionar o botão na mão esquerda/direita sempre que ouvir o som que estiver ouvindo. Serão 4 partes, e cada peça vai durar cerca de 5 minutos."
    17. Nas tarefas visuais, diga aos participantes: "Agora você vai ver as fotos dos alienígenas e das letras. Sempre que vir a imagem que está procurando, pressione o botão na mão esquerda/direita. Você vai jogar isso 4 vezes seguidas. Vai levar cerca de 5 minutos cada vez.
    18. Inicie o paradigma de aprendizagem estatística no computador de apresentação e adquira os dados de fMRI da tarefa.
    19. Uma vez que o participante tenha completado o paradigma, pare a ressonância magnética, remova-as com segurança de dentro do scanner e remova a bobina da cabeça.
    20. Após a coleta de dados, transfira todos os dados de ressonância magnética do computador de aquisição para um servidor protegido para novas análises.
  3. análises de dados fMRI
    1. Analise o tempo de reação no scanner durante a tarefa fMRI de forma semelhante ao cálculo baseado na Web do tempo de reação durante a fase de familiarização. Normalize o tempo de reação para comparar entre as condições e calcule uma inclinação linear usando o tempo de reação normalizado para cada condição de um indivíduo.
    2. Ao analisar os dados do FMRI, primeiro organize e converta dados para a formatação da Estrutura de Dados de Imagem Cerebral33 (BIDS) utilizando o HeuDiConv34 (https://github.com/nipy/heudiconv).
    3. Pré-processo esses dados usando fMRIPrep35,36. Este pipeline de pré-processamento automatizado combina metodologia da AFNI37, ANTs38,Freesurfer39, FSL40e Mindboggle41 para fornecer dados cientificamente rigorosos e reprodutíveis para uso na análise de dados.
      NOTA: O presente estudo implementa um projeto misto de bloco/evento. Os resultados representativos (abaixo) tratam cada mini bloco como um evento (por exemplo, sequência aleatória é um evento, sequência estruturada é um evento, etc.). No entanto, a tarefa também é projetada para que se possa modelar cada estímulo como um evento.
    4. Inclua dois regressores de tarefas para cada execução ("imagem" e "letra" para a condição visual, e "sílaba" e "tom" para a condição auditiva) no design do modelo de primeiro nível. Determine os regressores de tarefas convolving um vetor de tempos de início de evento com suas durações com uma função de resposta hemodinâmica canônica. Calcular diferenças e meios entre corridas dentro de cada assunto para projetos de modelos de nível mais alto. Isso resultará em um contraste entre sequências estruturadas e aleatórias dentro de cada tipo de estímulo.
    5. Crie uma média de ativação de grupo para blocos estruturados em comparação com blocos aleatórios dentro de cada modalidade/domínio.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Resultados comportamentais baseados na Web
Dado que o protocolo atual é projetado para fácil disseminação com populações de desenvolvimento, incluímos resultados preliminares baseados na web com base em dados de 22 crianças em idade escolar em desenvolvimento (Idade Média (M) = 9,3 anos, Idade do Desvio Padrão (SD) = 2,04 anos, faixa = 6,2-12,6 anos, 13 meninas). Na tarefa de aprendizagem estatística baseada na web, as crianças tiveram um desempenho significativamente melhor do que 0,5 nível de chance...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os métodos apresentados no protocolo atual fornecem um paradigma multimodal para a compreensão dos índices comportamentais e neurais da aprendizagem estatística ao longo do desenvolvimento. O desenho atual permite identificar diferenças individuais na capacidade de aprendizagem estatística entre modalidades e domínios, que podem ser utilizadas para futura investigação da relação entre aprendizagem estatística e desenvolvimento de idiomas. Uma vez que a capacidade de aprendizagem estatística de um indivíduo varia entre do...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores não têm nada a revelar.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Agradecemos a Yoel Sanchez Araujo e Wendy Georgan por sua contribuição no design inicial da plataforma baseada na web. Agradecemos a An Nguyen e Violet Kozloff por seu trabalho em melhorar as tarefas de aprendizagem estatística baseadas na web, implementar as tarefas de ressonância magnética e pilotar as tarefas em participantes adultos. Agradecemos a Violet Kozloff e Parker Robbins por sua contribuição na assistência à coleta de dados em crianças. Agradecemos a Ibrahim Malik, John Christopher, Trevor Wigal e Keith Schneider no Centro de Imagem Biológica e Cerebral da Universidade de Delaware por sua ajuda na coleta de dados de neuroimagem. Este trabalho é financiado em parte pelo Instituto Nacional de Surdez e outros Transtornos da Comunicação (PI: Qi; NIH 1R21DC017576) e a Diretoria da Fundação Nacional de Ciências para Ciências Sociais, Comportamentais e Econômicas (PI: Schneider, Co-PI: Qi & Golinkoff; NSF 1911462).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Dispositivo de resposta em linha de 4 botõesCambridge Research SystemsSKU: N1348Um pad de resposta fMRI usado para medir o tempo de resposta no scanner
Pontas de canal curtas/finasEspuma de conformidadeSKU: 40-15028-11Pontas curtas e finas do canal intra-auricular são recomendadas para as crianças protegerem a audição e permitirem que elas ouçam os estímulos enquanto estão no scanner.
jsPsychjsPsychhttps://www.jspsych.org/jsPsych é uma biblioteca JavaScript para executar experimentos comportamentais em um navegador da web.
Sintetizador de VozPraatVersão 6.1.14Este programa é um sintetizador de voz artificial que foi usado para criar os estímulos de sílabas.
Tarefas de aprendizagem estatística baseadas na WebZenodohttp://doi.org/10.5281/zenodo.3820620 (2020).Todas as tarefas de aprendizado estatístico baseadas na web estão disponíveis para acesso gratuito no Zenodo.

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Statistical LearningWeb Based TasksfMRI NeuroimagingAuditory TasksVisual TasksLinguistic DomainsNon Linguistic DomainsReal Time LearningReaction Time TrackingChild Friendly Protocol

Artigos relacionados