Définissant le rôle du langage dans la catégorisation objet nourrissons avec les paradigmes de l’Eye-tracking

Behavior

Your institution must subscribe to JoVE's Behavior section to access this content.

Fill out the form below to receive a free trial or learn more about access:

Welcome!

Enter your email below to get your free 10 minute trial to JoVE!





We use/store this info to ensure you have proper access and that your account is secure. We may use this info to send you notifications about your account, your institutional access, and/or other related products. To learn more about our GDPR policies click here.

If you want more info regarding data storage, please contact gdpr@jove.com.

 

Summary

Nous présentons ici un protocole pour les paradigmes de familiarisation-test qui fournissent un test direct de la catégorisation infantile et aider à définir le rôle du langage dans l’apprentissage de la catégorie.

Cite this Article

Copy Citation | Download Citations

LaTourrette, A., Waxman, S. R. Defining the Role Of Language in Infants' Object Categorization with Eye-tracking Paradigms. J. Vis. Exp. (144), e59291, doi:10.3791/59291 (2019).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Apprentissage de la catégorie infantile est une difficile mais un aspect essentiel d’étudier la cognition infantile. En employant un paradigme de familiarisation-test, nous mesurons carrément succès des enfants en bas âge dans une catégorie roman d’apprentissage tout en s’appuyant uniquement sur leur comportement à la recherche. En outre, le paradigme peut mesurer directement l’impact des différents signaux auditifs sur la catégorisation infantile à travers un éventail d’âges. Par exemple, nous avons évalué la façon dont 2 ans apprennent catégories dans une variété d’environnements d’étiquetage : dans notre tâche, 2 ans avec succès appris catégories lorsque tous les exemplaires ont été étiquetés ou les deux premiers exemplaires ont été marquées, mais ils ont échoué à catégoriser quand aucun exemplaires ont été étiquetés ou seulement deux modèles finales ont été étiquetés. Pour déterminer le succès des enfants en bas âge dans ces tâches, chercheurs peuvent examiner les deux la préférence générale affichée par les enfants dans chaque État et modèle de bébés de la recherche au cours de la phase de test, en utilisant un eye-tracker pour fournir des données de temps à grain fin . Ainsi, nous présentons un paradigme puissant permettant d’identifier le rôle de la langue, ou n’importe quel signal auditif, dans la catégorie d’objet de bébés d’apprentissage.

Introduction

La catégorisation est un bloc de construction fondamental de la cognition humaine : capacités de catégorisation des nourrissons émergent au début dans l’enfance et devenir de plus en plus sophistiquées avec l’âge. 1 , 2 , 3 recherche a également révélé un rôle puissant langage infantile catégorisation : depuis l’âge de 3 mois, les bébés apprennent catégories avec plus de succès lorsqu’exemplaires de catégorie sont jumelés avec le langage. 4 , 5 , 6 par ailleurs, la fin de la première année, les enfants sont attentifs au rôle d’étiquettes count noun dans la catégorisation. Appariement des exemplaires de la catégorie avec une phrase d’étiquetage conforme (« Ceci est un vep ! ») facilite la catégorie d’enfants en bas âge apprenant par rapport à fournir soit une étiquette distincte pour chaque exemplaire (« Il s’agit d’un vep, » « Il s’agit d’un dax, » etc.) ou un marquage non une expression (« Regardez ceci. »). 7 , 8 , 9

Dans les expériences quotidiennes des nourrissons, cependant, la grande majorité des objets qu’ils rencontrent demeurera probablement sans étiquette. Aucun soignant ne pourrait étiqueter chaque objet qu'un enfant voit beaucoup moins fournir les étiquettes qui s’appliquent à chaque objet (par exemple, « malamute, » « chien », « animal de compagnie », « animal »). Cela présente un paradoxe : comment concilier le pouvoir d’étiquettes dans la catégorisation infantile avec leur relative rareté dans la vie quotidienne des nourrissons ?

Pour répondre à cette question, nous avons développé un protocole pour évaluer comment les bébés apprennent catégories dans une variété d’environnements d’apprentissage différents, y compris lorsqu’ils reçoivent un mélange de modèles marquées et non marquées. Plus précisément, nous proposons que reçoit encore quelques exemplaires marqués au début de l’apprentissage peut faciliter la catégorisation — en améliorant la capacité des nourrissons à tirer des enseignements ultérieurs, non exemplaires aussi bien. Cette stratégie consistant à utiliser un petit nombre d’exemplaires étiquetés comme une base pour l’apprentissage d’un plus grand nombre d’exemplaires sans étiquette a été largement appliquée dans le domaine de l’apprentissage machine, frai une famille d' apprentissage semi-supervisé (SSL) algorithmes de11,10,12. Bien sûr, les stratégies d’apprentissage mis en œuvre ne sont pas identiques à travers différents types d’apprenants : en apprentissage machine, algorithmes sont généralement exposés à des exemples plus nombreux, faire des suppositions explicites sur chaque exemplaire et d’apprendre plusieurs catégories en même temps. Néanmoins, les machines et les apprenants infantiles peuvent bénéficier d’intégration réussie des exemplaires étiquetés et sans étiquette pour apprendre de nouvelles catégories dans des environnements étiquetage clairsemées.

Notre conception se concentre sur la question de savoir si des enfants de 2 ans, en train d’acquérir des mots pour de nombreuses nouvelles catégories, sont capables de ce genre d’apprentissage semi-supervisé. Nous employons une mesure standard de catégorisation infantile : une tâche de familiarisation-test. Dans ce paradigme, 2 ans ont été exposés à une série d’exemplaires d’une nouvelle catégorie au cours d’une phase de familiarisation. Chaque exemplaire a été jumelé avec un stimulus auditif différent, selon l’état (c'est-à-dire, un étiquetage ou une phrase non marquage). Puis, à l’essai, tous les 2 ans a vu deux nouveaux objets présentés en silence : un objet de la catégorie désormais familière et un d’une nouvelle catégorie.

Si les enfants de 2 ans avec succès forment la catégorie durant la phase de familiarisation, puis ils établissent une distinction entre les deux modèles présentés lors du test. Ce qui est important, parce qu’une préférence systématique soit pour l’image de test roman ou familiers reflète une aptitude à distinguer entre eux, préférences de familiarité et de nouveauté sont interprétées comme la preuve de la catégorisation réussie. Notez que sur une tâche donnée, la nature de cette préférence est fonction de l’efficacité du traitement des nourrissons pour les matériaux de la stimulation, les préférences de connaissance associées à des stimulus moins efficace traitement 4,13, 14 , 15 , 16 , 17. présentation de la phase de test dans le silence permet d’évaluer directement le succès des enfants en bas âge dans la catégorisation de l’objet et comment ce succès varie selon les informations qui accompagnent les exemplaires lors de familiarisation. Ainsi, ce paradigme fournit un test convaincant comment différents types d’apprentissage de catégorie affectent les environnements linguistiques. Si l’étiquetage favorise l’apprentissage de la catégorie dans les environnements semi-supervisées entièrement supervisées, 2 ans dans ces conditions devrait montrer des préférences de test plus forts que les nourrissons dans d’autres environnements.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Toutes les méthodes décrites ici ont été approuvés par la Northwestern University Institutional Review Board.

1. création de stimuli

NOTE : Les stimuli visuels (voir Figure 1) utilisés dans la conception représentatif signalés ci-dessous ont été développées à Havy et Waxman (2016)18 et sont disponibles en téléchargement sur https://osf.io/n6uy8/.

  1. Pour créer une nouvelle catégorie continue, tout d’abord concevoir une paire de nouvelles images numériques. Ensuite, transformez la paire d’images ensemble, à l’aide de logiciel (voir, par exemple, Table des matières) pour former un continuum de modèles entre les deux images originales. Créer au moins deux catégories de cette façon afin que l’un peut servir de la catégorie à tirer tandis que l’autre fournit le type de même catégorie roman pour l’essai.
  2. Sélectionnez les modèles de familiarisation à intervalles espacés régulièrement de toutes les étapes de chaque savant de la catégorie (par exemple, les modèles de 0 %, 20 %, 40 %, 60 %, 80 % et 100 %). Sélectionnez un nombre suffisant d’exemplaires (p. ex., six). Selon la difficulté de la catégorie et l’âge des participants.
  3. Pour créer les modèles pour la phase de test, sélectionnez les milieux du continuum de la catégorie familier et le continuum de la catégorie roman (c'est-à-dire, l’exemplaire de 50 %). Alors correspondre à la couleur de la roman exemplaire à celui de l’exemplar familier à l’aide d’un programme de manipulation d’image (voir, par exemple, Table des matières).
  4. Stimuli auditifs Records produites par une femelle langue maternelle anglaise dans une cabine insonorisée. Si possible, utilisez le même orateur pour les deux expressions de l’étiquetage (c.-à-d., « regardez le modi ») et les phrases non étiquetage (c'est-à-dire, « regarde ! »).
    1. Demander à l’orateur de produire toutes les déclarations dans bébé ou enfant-axés sur l’intervention.
    2. Sélectionnez les déclarations qui sont approximativement la même longueur dans l’ensemble des conditions, probables environ 1 500 ms par expression.

2. les appareils

  1. Utiliser un système de suivi oculaire appropriée. Pour collecter les données adéquates de suivi du regard pour qu’une mesure de familiarisation-test, suffira plus largement disponible eye-tracker : les objets occupent de vastes portions de l’écran, et l’analyse des données examine la performance sur une longue fenêtre, plutôt que mouvements des yeux individuels, rapidement naturels tels que les saccades.
  2. Comme cette tâche nécessite oculométrie nourrissons, veiller à ce que le système est conforme à plusieurs exigences.
    1. Tout d’abord, utilisez un eye-tracker avec un mode de suivi distant, qui ne nécessite pas de bébés à placer leurs têtes sur un repose-menton. Veiller à ce que l’eye-tracker peut tolérer des mouvements de tête relativement importants ou réorienter si nécessaire.
    2. En second lieu, utiliser un écran relativement grand pour afficher les images pour les enfants, (p. ex., 57 x 45 cm).
    3. En troisième lieu, utiliser un support de bras extensible pour l’eye-tracker pour faciliter la collecte de données en permettant au chercheur de régler la hauteur de l’eye-tracker à chaque enfant.
    4. Quatrièmement, faire de l’équipement de l’oculométrie discrète, concentrant des nourrissons uniquement sur l’écran d’affichage. Par exemple, certains systèmes intègrent l’oculométrie équipement avec le moniteur ou Mont l’équipement directement sous l’écran.
  3. Notez que cette tâche peut également être exécutée par codage à la main les données vidéo haute qualité de comportement à la recherche des enfants en bas âge. Bien que les techniques de codage manuel peuvent poser certains défis pour l’utilisation de l’analyse temporelle plus affinées, données codées manuellement sont tout à fait suffisantes pour l’ensemble des analyses de la recherche.

3. conception de la tâche

  1. Dans le logiciel associé de l’eye-tracker (voir, par exemple, Table des matières), créer des quatre conditions différentes : entièrement supervisé, non supervisé, semi-supervisé et inversé semi-supervisé. S’assurer que ces conditions sont séparées, afin que chaque enfant voit qu’une seule condition.
  2. Générer des ordres pseudo-aléatoires au moins deux des modèles d’apprentissage, avec la contrainte que pas plus de deux exemplaires du même côté du continuum (0-40 % ou 60-100 %) peut être démontré de façon consécutive.
  3. Créer des vidéos de familiarisation que les stimuli auditifs de paire avec les stimuli visuels en fonction de chaque condition.
    1. Combiner les stimuli visuels et auditifs dans vidéo logiciel de montage (voir, par exemple, Table des matières). Présenter toutes les images sur le même fond. Définir l’apparition du stimulus auditif à un éventail approprié, entre ms 500 et 1 500 ms après le début du stimulus visuel. Ce délai court permet de soulager les traitement charge 19 enfants en bas âge.
    2. Par exemple, dans l’état entièrement supervisée, paire de chaque exemplaire de familiarisation avec une phrase d’étiquetage.
    3. En l’état sans surveillance, paire de chaque exemplaire de familiarisation avec une expression non-étiquetage.
    4. À l’état semi-supervisé, paire seulement les deux premiers exemplaires dans chaque commande avec étiquetage des phrases mais le reste avec des phrases non-étiquetage.
    5. Pour la condition semi-supervisée Reversed, paire finales deux modèles avec étiquetage des phrases mais les quatre premières phrases non étiquetage (voir Figure 1).
    6. Téléchargez ces vidéos dans le logiciel eye-tracker, commander les vidéos de familiarisation, tel que déterminé par l’ordre de pseudo-randomisés.
  4. Télécharger un court (10 s ou moins) qui attirent l’attention animation affichée au centre de l’écran après familiarisation : cela fera en sorte que la plupart des nourrissons sont tournent vers le centre de l’écran lors de la phase de test commence.
  5. Enfin, pour chaque catégorie de l’apprentissage, conception deux essai essais, chacune mettant en vedette deux exemplaires affiché by-side. Veiller à ce que les deux essais de test, un seul exemplaire représentera le point médian de la catégorie désormais familière, tandis que l’autre représente le point médian de la catégorie roman.
    1. Contrebalancer les procès afin que le positionnement gauche/droite de la roman exemplaire dans l’épreuve du procès est inversé à travers des vidéos.
    2. Télécharger ces test essais du logiciel eye-tracker, positionnant après l’attention après familiarisation-getter. Contrebalancer la présentation de ces essais afin que chaque enfant a une chance égale de voir un essai roman-gauche ou droit-roman.
    3. Assurer ce essai essais durent au moins 5 s et jusqu'à 20 s, afin que les enfants initialement à la recherche de suite pour accumuler suffisamment à la recherche.

[Insérer ici le Figure 1 ]

4. procédure d’étude

  1. Avant l’arrivée de l’enfant, mis en place le système de suivi oculaire.
    1. Attribuer au hasard le nourrisson à une condition et une ordonnance.
    2. Ouvrez le logiciel eye-tracker et sélectionnez la paire condition/ordre assigné.
    3. Maintenant, entrez le nombre de participants pour cet enregistrement.
  2. Après avoir effectué le processus de consentement, porter le nourrisson et l’aidant à la salle de l’oculométrie. Assurez-vous que la pièce est modérément éclairée sans aucune source de distraction décorations sur les murs.
  3. Placez une chaise en face de l’eye-tracker à une distance appropriée pour le modèle de l’eye-tracker utilisé. Siège du soignant dans ce fauteuil et l’enfant sur les genoux du préposé. Si l’enfant ne veut pas s’asseoir sur les genoux de l’aidant, ils peuvent s’asseoir sur leurs propres, ou ils peuvent s’asseoir dans un siège d’auto.
  4. Si l’enfant est assis sur les genoux du préposé, instruire l’aidant ne pas à influencer le comportement des enfants en bas âge en quelque sorte, mais pour essayer de garder le nourrisson centré sur les genoux du préposé. Fournir des soignants avec une paire de lunettes de soleil noirci à porter afin qu’ils ne peuvent pas voir les stimuli.
  5. Demandez à l’enfant de regarder l’écran de l’eye-tracker ; envisager d’affichage d’une image ou une vidéo d’attirer leur attention engageante. Positionnez l’écran pour que les yeux des bébés sont dans la fenêtre d’étalonnage.
  6. Effectuez la procédure d’étalonnage de l’eye-tracker. Utiliser un étalonnage sur cinq points si possible, mais moins complètes étalonnages sont également susceptibles d’être adéquate. Les enfants répondent souvent mieux lorsque l’image de calibration est une animation avec accompagnement auditif.
  7. Si l’enfant passe d’étalonnage, puis commencer l’expérience. Si ce n’est pas le cas, recalibrer jusqu'à ce qu’elles réussissent. Tout les nourrissons qui ne peuvent pas être étalonnés sont exclus.
  8. Si plusieurs expériences sont exécutées consécutivement, ou si une seule expérience est assez longue, envisager de re-calibrage après chaque section.

5. analyse

  1. Utilisez le logiciel d’analyse de données pour effectuer cette analyse (voir, par exemple, Table des matières).
  2. Créer des zones d’intérêt (zi) autour des positions exemplaire sur les côtés gauche et droit de l’écran.
  3. Pour les essais de familiarisation, utilisent l’AOI approprié pour évaluer les nourrissons de temps passé à la recherche de l’exemplaire affiché sur chaque essai. Exclure tout nourrisson qui ne montre pas soutenue à la recherche d’une majorité des modèles (par exemple, exigent que les enfants fréquentent à 4 sur une possible 6 exemplaires de familiarisation au moins 25 % de ces essais).
  4. Pour l’essai, comprennent seulement des nourrissons de 5 premiers s d’accumulés à la recherche. Pour les enfants plus jeunes, de 3 à 12 mois d’âge, envisagez d’utiliser une fenêtre plus longue par exemple 10 secondes de recherche accumulés. Considèrent pas les bébés qui montrent pas suffisamment soutenue en regardant test (p. ex., accumulent moins de 2,5 s de la recherche) ou qui n’ont pas regarder à la fois des modèles.
  5. Maintenant créez un score de préférence pour le test de chaque enfant du procès en divisant la quantité de temps passé à la recherche pour le roman exemplaire par le montant total de temps à chercher à deux exemplaires. Pour analyser ces proportions, transforment tout d’abord avec un logit empirique ou arc-sin-racine carrée pour les rendre appropriés pour l’analyse des modèles linéaires.
  6. Pour une analyse temporelle du comportement à la recherche de nourrissons lors du test, séparer les données en petits bacs (par exemple, entre 10 et 100 ms) et de calculer un score de préférence au sein de chaque bac pour chaque enfant.
  7. Effectuer une analyse des données temps, vérifier si le modèle d’enfants en bas âge de regarder tout au long de l’essai varie selon la condition. Note que plusieurs formes d’analyse peuvent répondre à cette question, y compris une analyse de permutation axée sur le cluster20, comme démontré ici et modélisation de courbe de croissance. 21
    1. Pour une analyse de permutations axée sur le cluster, sélectionnez un seuil de valeur t, correspondant au niveau alpha désiré (alphas plage de.01 à recommandée. 20 ; remarque que cette valeur alpha ne représente pas alpha, simplement le niveau du test global requis pour temps-des contenants individuels pour dépasser le seuil). Somme de la t-statistique pour chaque fois consécutive-bin qui dépasse le seuil t choisi ; ces t-statistiques cumulatives indiquent la taille des divergences entre les conditions dans les données.
    2. Pour déterminer si ces divergences sont plus importants que prévu, par hasard, effectuez au moins 1 000 simulations avec les étiquettes de condition mélangées au hasard. Évaluer les divergences de la data unshuffled contre cette distribution axée sur la chance.
      NOTE : C’est cette comparaison de la divergence originale contre la distribution axée sur le hasard qui détermine le taux de faux positifs de l’analyse, plutôt que le nombre de temps-bacs dans lequel t-tests ont été menés ou même le seuil de valeur t sélectionné pour ces t-tests initiaux. Par conséquent, cette analyse fournit une alternative conservatrice au rapport directement les résultats de plusieurs tests t dans l’ensemble de temps-bacs prédéterminées (par exemple, des tests toutes les 500 ms).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

En utilisant le protocole ci-dessus, nous avons couru deux expériences22. Les analyses ont été effectuées avec le paquet de eyetrackingR 23, et le code et les données sont disponibles à https://github.com/sandylat/ssl-in-infancy. Dans la première expérience, nous avons comparé un état entièrement supervisé (n = 24, Mâge = 26.8 mo), mettant en vedette uniquement étiquetés exemplaires, avec une condition non supervisée (n = 24, Mâge = 26,9 mo), mettant en vedette uniquement exemplaires non étiquetés.

Entièrement supervisé vs environnements non supervisés

Les nourrissons dans l’entièrement supervisé (M = 13.86 s, SD = 3.00) et sans surveillance (M = 14,94 s, SD = 1,91) conditions ne montrées aucune différence dans leur attention sur les exemplaires au cours de familiarisation, t(46) = 1,48, p = .14, d =.43.

Au test, 2 ans en l’état entièrement supervisé (M =.59, SD =.15) affiche une préférence marquée pour le type de même catégorie roman, t(23) = 3.05, p =.006, d =.62, indiquant qu’ils avaient formé avec succès la catégorie. En revanche, 2 ans en l’état sans surveillance (M =.49, SD =.18) ressemblait à peu près également entre les objets lors des essais, t(23) =.39, p =.70, d =.08. Performances diffèrent considérablement entre ces conditions, t(46) = 2.27, p =.028, d =.66 (voir Figure 2). Enfin, une analyse axée sur le cluster de permutation de l’évolution temporelle de la recherche modèles à l’essai a révélé une divergence importante entre les deux conditions, p =.038, contre la SP 3 450 à 3 850 m (voir Figure 3).

Semi-supervisée vs inversés environnements semi-supervisés

Ensuite, nous avons examiné si 2 ans pouvait apprendre des catégories dans des milieux semi-supervisées en intégrant des exemplaires étiquetés et sans étiquette. Nous avons prédit que réception étiqueté exemplaires au début de familiarisation dans une semi-supervisée condition (n = 24, Mâge = 27.3, 12 femelles), où les exemplaires marqués peuvent fournir une base pour tirer les exemplaires non étiquetés, faciliter l’apprentissage de la catégorie alors que la réception étiqueté exemplaires à la fin de familiarisation dans une Reversed semi-supervisée condition (n = 24, Mâge = 27,2, 13 femmes) ne le ferait pas. Autrement dit, recevoir des exemplaires marqués tout d’abord devrait permettre 2 ans à apprendre plus de modèles sans étiquette que de recevoir ceux étiquetés exemplaires après avoir vu les exemplaires non étiquetés.

Les enfants dans l’état semi-supervisé (n = 24, M = 13.23 s, SD = 3,35) et Reversed semi-supervisé (n = 24, M = 12.58 s, SD = 2,78) conditions ont montré des niveaux similaires de l’attention pour les exemplaires au cours de familiarisation, t (46) =.73, p =.47, d =.21.

Lors du test, cependant, les enfants à l’état semi-supervisé (M =.59, SD =.14), manifesté une préférence nouveauté significative, t(23) = 3.11, p =.005, d =.63, tandis que les nourrissons dans le Reversed semi-supervisé condition (M =.52, SD =.13) exécutées aux niveaux de la chance, t(23) =.76, p =.45, d =.16. Préférences des enfants en bas âge ont été très légèrement différentes entre les deux conditions, t(46) = 1.80, p =.08, d =.52 (voir Figure 2). En outre, nous avons également mené une analyse axée sur le cluster permutation du comportement à la recherche de nourrissons lors du test, révélant que la condition semi-supervisée a montré une préférence plus forte de nouveauté que la condition de SSL inversée entre 3450ms et 3850ms, p =.047 (voir La figure 3). Il s’agit exactement de la même période de temps pendant laquelle l’état entièrement supervisé ont divergé de la condition non supervisée, suggérant les nourrissons étaient tout autant de succès à l’apprentissage de la catégorie dans l’état semi-supervisé comme dans la condition entièrement supervisé .

Figure 1
Figure 1 : exemple de conception des tâches. La phase de familiarisation se compose de 6 essais réalisés, chacun présentant un membre de la catégorie jumelé avec un marquage ou une phrase non-étiquetage. La phase d’essai présente simultanément les nourrissons avec un exemplaire de la catégorie désormais familière et l’autre d’une catégorie roman. Conditions représentent les quatre conditions présentées dans la section résultats représentatifs. Ce chiffre a été modifié par LaTourrette, A., Waxman, S.R. Un petit étiquetage va un long chemin : semi-supervisé d’apprentissage en bas âge. Dev. Sci. e12736 (2018). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 2
Figure 2 : moyenne des scores de préférence dans l’ensemble des conditions. Nourrissons dans entièrement supervisé les semi-supervisées conditions affichent préférences nouveauté significativement plus que le hasard, p <.05. Enfants dans les conditions Unsupervised et inversé SSL effectuées au niveau de la chance. Barres d’erreur représentent les erreurs-types de la moyenne. Ce chiffre a été modifié par22. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 3
Figure 3 : à la recherche du nourrisson The patterns au cours du test. Dans des conditions entièrement supervisé et Unsupervised (à gauche) et dans des conditions semi-supervisées semi-supervisées et inverses (à droite), patron de bébés de regarder les modèles divergence entre 3,450ms et 3,850ms. La barre grise ombrée dans chaque graphique désigne cette période divergente. Les régions colorées ombragées autour de chaque condition indiquent erreur type de la moyenne. Ce chiffre a été modifié par22. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Nous présentons ici une procédure permettant d’évaluer le rôle de l’étiquetage dans la catégorisation. En présentant 2 ans avec un mélange réaliste des exemplaires étiquetés et sans étiquette, nous démontrons que les très jeunes enfants sont capables d’apprendre dans un environnement semi-supervisé, s’étendant de travail avec les adultes et les enfants plus âgés24,25 . Ainsi, cette méthode offre une résolution au paradoxe posée ci-dessus : si même quelques exemplaires marqués peuvent déclencher l’apprentissage de la catégorie, étiquettes peuvent être rare et puissant.

Les aspects critiques de ce paradigme incluent l’utilisation de nouveaux stimuli artificiels et de courts essais, qui rendent la tâche bien difficile et s’engager pour 2 ans. En outre, en utilisant un eye-tracker, plutôt que le codage manuel nourrisson à la recherche de comportement, offre plus riche et des données plus précises sur les yeux des participants du regard ; cette richesse et cette précision permet l’application des mesures de temps telles que l’analyse de permutation axée sur le cluster.

Les avantages centrales du paradigme familiarisation-test sont son évaluation simple de l’apprentissage de la catégorie et sa simplicité comme une tâche de recherche passive. Autrement dit, la tâche teste directement catégorie apprentissage, plutôt que de compter sur des mesures plus complexes, comme nommer un comportement ou des inférences inductives3,26,27. En outre, parce que les tâches de familiarisation-test peuvent être administrés dans un large éventail de développement (par exemple, à partir de 3 mois à 3 ans), ils donnent l’occasion d’identifier la continuité du développement et de changer.

En effet, le paradigme de familiarisation-test présenté ici a été conçu pour les enfants de 2 ans, mais des modèles similaires ont été largement utilisées avec les enfants dans leur première année de vie4,6,7,9, 28. pour ces nourrissons plus jeunes, bien sûr, la tâche doit être simplifiée : une exposition plus longue pour les exemplaires de familiarisation, plusieurs exemplaires, catégories plus simples et une fenêtre plue de regarder les test peut-être tous améliorer sensibilité de la tâche pour les jeunes enfants . Plus largement, le paradigme de familiarisation-test employé ici peut facilement être étendu pour évaluer l’effet de tout signal auditif sur la cognition infantile, y compris le silence, tons onde sinusoïdale, les vocalisations de primates non humains et autres sons non linguistiques5 ,13,29,30.

Limitations de cette tâche proviennent principalement de son utilisation d’une variable de résultat unique : préférence des enfants en bas âge lors du test. Cela rend la tâche pour toute question concernant, par exemple, comment chaque exemplaire de familiarisation change bébés apprentissage catégorie ou les nourrissons particularités permet d’apprendre de la catégorie. Analyses de temps, telles que l’analyse de permutation axée sur le cluster, peuvent enrichir considérablement la perspicacité offerte par ce paradigme. Cependant, bien que ces analyses permettent de tirer des conclusions plus fortes sur lorsque les deux conditions diffèrent dans la performance, elles aussi soulèvent des questions importantes sur quels facteurs drive modes attentionnels bébés tout au long de la phase de test, un secteur prometteur pour travaux futurs.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

La recherche rapportée ici a été financée par le National Institute of Child Health et développement humain de la National Institutes of Health, sous le numéro R01HD083310 de la sentence et un National Science Foundation recherche bourse d’études supérieures sous subvention no. DGE‐1324585. Le contenu est la seule responsabilité des auteurs et ne représente pas nécessairement l’opinion officielle de la National Institutes of Health ou la National Science Foundation.

Materials

Name Company Catalog Number Comments
Final Cut Pro X Apple N/A Video editing, composition software
MorphX Norrkross N/A Image-morphing software
PhotoShop Adobe N/A Image-editing software
R R Core Team N/A Statistical analysis software
T60XL Eyetracker Tobii Pro Discontinued Large, arm-mounted eyetracker suitable for work with infants and children
Tobii Pro Studio Tobii Pro N/A Software directing eyetracker display, data collection

DOWNLOAD MATERIALS LIST

References

  1. Eimas, P. D., Quinn, P. C. Studies on the Formation of Perceptually Based Basic-Level Categories in Young Infants. Child Development. 65, (3), 903-917 (1994).
  2. Madole, K. L., Oakes, L. M. Making sense of infant categorization: Stable processes and changing representations. Developmental Review. 19, (2), 263-296 (1999).
  3. Gelman, S. A., Markman, E. M. Categories and induction in young children. Cognition. 23, (3), 183-209 (1986).
  4. Ferry, A. L., Hespos, S. J., Waxman, S. R. Categorization in 3- and 4-month-old infants: An advantage of words over tones. Child development. 81, (2), 472-479 (2010).
  5. Fulkerson, A. L., Waxman, S. R. Words (but not Tones) Facilitate Object Categorization: Evidence From 6- and 12-Month-Olds. Cognition. 105, (1), 218-228 (2007).
  6. Balaban, M. T., Waxman, S. R. Do words facilitate object categorization in 9-month-old infants? Journal of Experimental Child Psychology. 64, (1), 3-26 (1997).
  7. Waxman, S. R., Braun, I. Consistent (but not variable) names as invitations to form object categories: New evidence from 12-month-old infants. Cognition. 95, (3), B59-B68 (2005).
  8. Balaban, M. T., Waxman, S. R. An examination of the factors underlying the facilitative effect of word phrases on object categorization in 9-month-old infants. Proceedings of the 20th Boston University Conference on Language Development. 1, 483-493 (1996).
  9. Waxman, S. R., Markow, D. B. Words as invitations to form categories: evidence from 12- to 13-month-old infants. Cognitive Psychology. 29, (3), 257-302 (1995).
  10. Zhu, X. Semi-supervised learning literature survey. (2005).
  11. Chapelle, O., Scholkopf, B., Zien, A. Semi-supervised learning: Adaptive computation and machine learning. MIT Press. Cambridge, Mass., USA. (2006).
  12. Zhu, X., Goldberg, A. B. Introduction to semi-supervised learning. Synthesis lectures on artificial intelligence and machine learning. 3, (1), 1-130 (2009).
  13. Ferry, A. L., Hespos, S. J., Waxman, S. R. Nonhuman primate vocalizations support categorization in very young human infants. Proceedings of the National Academy of Sciences of the United States of America. 110, (38), 15231-15235 (2013).
  14. Hunter, M. A., Ames, E. W. A multifactor model of infant preferences for novel and familiar stimuli. Advances in infancy research. (1988).
  15. Rose, S. A., Feldman, J. F., Jankowski, J. J. Infant visual recognition memory. Developmental Review. 24, (1), 74-100 (2004).
  16. Wetherford, M. J., Cohen, L. B. Developmental changes in infant visual preferences for novelty and familiarity. Child Development. 416-424 (1973).
  17. Perone, S., Spencer, J. P. Autonomous visual exploration creates developmental change in familiarity and novelty seeking behaviors. Frontiers in psychology. 4, 648 (2013).
  18. Havy, M., Waxman, S. R. Naming influences 9-month-olds’ identification of discrete categories along a perceptual continuum. Cognition. 156, 41-51 (2016).
  19. Althaus, N., Plunkett, K. Timing matters: The impact of label synchrony on infant categorisation. Cognition. 139, 1-9 (2015).
  20. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164, (1), 177-190 (2007).
  21. Raudenbush, S. W., Bryk, A. S. Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE. (2002).
  22. LaTourrette, A., Waxman, S. R. A little labeling goes a long way: Semi-supervised learning in infancy. Developmental Science. e12736 (2018).
  23. Dink, J., Ferguson, B. eyetrackingR: An R library for eyetracking data analysis. (2015).
  24. Kalish, C. W., Zhu, X., Rogers, T. T. Drift in children's categories: When experienced distributions conflict with prior learning. Developmental Science. 18, (6), 940-956 (2015).
  25. Gibson, B. R., Rogers, T. T., Zhu, X. Human semi-supervised learning. Topics in Cognitive Science. 5, (1), 132-172 (2013).
  26. Keates, J., Graham, S. A. Category Markers or Attributes Why Do Labels Guide Infants' Inductive Inferences? Psychological Science. 19, (12), 1287-1293 (2008).
  27. Booth, A. E., Waxman, S. R. A horse of a different color: Specifying with precision infants’ mappings of novel nouns and adjectives. Child development. 80, (1), 15-22 (2009).
  28. Perszyk, D. R., Waxman, S. R. Listening to the calls of the wild: The role of experience in linking language and cognition in young infants. Cognition. 153, 175-181 (2016).
  29. Althaus, N., Mareschal, D. Labels direct infants’ attention to commonalities during novel category learning. PLoS ONE. 9, (7), e99670 (2014).
  30. Fulkerson, A. L., Haaf, R. A. The influence of labels, non-labeling sounds, and source of auditory input on 9- and 15-month-olds’ object categorization. Infancy. 4, (3), 349-369 (2003).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics