온라인 플랫폼 및 신경 이미징 기술을 통해 학교 숙성 아동의 양식 및 도메인 전반에 걸친 통계 학습 측정
Summary
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.
Abstract
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.
Introduction
통계 학습은 언어 입력1에서규칙 제어 조합의 인수를 지원하는 기본 기술이다. 유아의 성공적인 통계 학습 능력은 나중에 언어 학습 성공2,,3을예측합니다. 학령기 어린이의 통계 학습 능력의 다양성은 어휘4 및 읽기5,,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 양식에걸쳐 독립적인 것으로 나타났다6,8,,9. 통계 학습 능력의 발달 궤적은 도메인 및 양식10에따라 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 플랫폼11과 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)가뒤따릅니다. 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,입력14,15,16에서규칙성을 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 학습자18의정확도에 비해 더 나은 테스트 재테스트 신뢰성을 가진 학습 후정확도(17)와 관련이 있는 것으로 나타났습니다.
언어 학습이 발생하는 암시적 과정은 언어 학습이19번언어가 학습되면 사용되는 것과 다른 신경 자원을 모집하기 때문에 신경 측정은 시간이 지남에 따라 학습이 어떻게 전개되는지에 대한 우리의 이해에 기초적입니다. 신경 측정은 또한 특수 인구20에걸쳐 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 바와같이(21)22., 제어 조건이 학습을 확인함에 따라 후진 음성 또는 이전 학습 블록을 활용한 다른 fMRI 연구는 행동적으로19,,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 BOLD신호(24)를동시 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.
Protocol
Representative Results
Discussion
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 양식에따라 다를 수 있기 때?…
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
웹 기반 플랫폼의 초기 디자인에 기여한 Yoel Sanchez Araujo와 웬디 게건에게 감사드립니다. 우리는 웹 기반 통계 학습 작업을 개선하고, fMRI 작업을 구현하고, 성인 참가자의 작업을 조종하는 일에 대한 응우옌과 바이올렛 코즐로프에게 감사드립니다. 바이올렛 코즐로프와 파커 로빈스가 어린이 데이터 수집을 돕는 데 기여한 것에 대해 감사드립니다. 우리는 신경 이미징 데이터 수집에 그들의 도움을 델라웨어 대학의 생물 및 뇌 이미징 센터에서 이브라힘 말릭, 존 크리스토퍼, 트레버 위건, 키스 슈나이더에게 감사드립니다. 이 작품은 청각 장애 및 기타 통신 장애에 대한 국립 연구소 (PI : Qi; NIH 1R21DC017576) 및 사회, 행동 및 경제 과학을 위한 국립 과학 재단 이사 (PI: 슈나이더, 공동 PI: Qi & Golinkoff; NSF 1911462).
Materials
| 4 Button Inline Response Device | Cambridge Research Systems | SKU: N1348 | An fMRI reponse pad used for measuring in-scanner response time |
| Short/Slim Canal Tips | Comply Foam | SKU: 40-15028-11 | Short & slim in-ear canal tips are recommended for children to protect hearing and allow for them to hear the stimuli while in the scanner. |
| jsPsych | jsPsych | https://www.jspsych.org/ | jsPsych is a JavaScript library for running behavioral experiments in a web browser. |
| Speech Synthesizer | Praat | Version 6.1.14 | This program is an artificial speech synthesizer which was used to create the syllable stimuli. |
| Web-based statistical learning tasks | Zenodo | http://doi.org/10.5281/zenodo.3820620 (2020). | All web-based statistical learning tasks are available for free access on Zenodo. |
Referenzen
- 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).
- 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).
- 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).
- 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).
- Arciuli, J., Simpson, I. C. Statistical Learning Is Related to Reading Ability in Children and Adults. Cognitive Science. 36 (2), 286-304 (2012).
- 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).
- Walenski, M., Tager-Flusberg, H. B., Ullman, M. T., Moldin, S. O., Rubenstein, J. L. R. Language in autism. Understanding autism: From Basic Neuroscience to Treatment. , 175-203 (2006).
- Siegelman, N., Frost, R. Statistical learning as an individual ability: Theoretical perspectives and empirical evidence. Journal of Memory and Language. 81, 105-120 (2015).
- 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).
- 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).
- Qi, Z., et al. An online platform for visual and auditory statistical learning for school-aged children (Version 1.0.0). Zenodo. , (2020).
- 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).
- 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).
- Siegelman, N., Bogaerts, L., Elazar, A., Arciuli, J., Frost, R. Linguistic entrenchment: Prior knowledge impacts statistical learning performance. Cognition. 177, 198-213 (2018).
- 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).
- 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).
- Krogh, L., Vlach, H. A., Johnson, S. P. Statistical Learning Across Development: Flexible Yet Constrained. Frontiers in Psychology. 3, 598 (2013).
- Siegelman, N., Bogaerts, L., Elazar, A., Arciuli, J., Frost, R. Linguistic entrenchment: Prior knowledge impacts statistical learning performance. Cognition. 177, 198-213 (2018).
- 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).
- 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).
- Mcnealy, K., Mazziotta, J., Dapretto, M. Cracking the Language Code: Neural Mechanisms Underlying Speech Parsing. Journal of Neuroscience. 26 (29), 7629-7639 (2006).
- 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).
- 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).
- Petersen, S. E., Dubis, J. W. The mixed block/event-related design. NeuroImage. 62 (2), 1177-1184 (2012).
- 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).
- Boersma, P., Weenink, D. . Praat: doing phonetics by computer [Computer program]. Version 601014. , (2020).
- Boersma, P. Praat, a system for doing phonetics by computer. Glot International. 5 (9), 341-345 (2001).
- 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).
- 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).
- de Leeuw, J. R. jsPsych: A JavaScript library for creating behavioral experiments in a Web browser. Behavior Research Methods. 47 (1), 1-12 (2015).
- Kana, R. K., et al. Probing the brain in autism using fMRI and diffusion tensor imaging. Journal of Visualized Experiments. (55), e3178 (2011).
- Casey, B. J., et al. The Adolescent Brain Cognitive Development (ABCD) study: Imaging acquisition across 21 sites. Developmental Cognitive Neuroscience. 32, 43-54 (2018).
- 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).
- Halchenko, Y. . nipy/heudiconv v0.6.0 (Version v0.6.0). Zenodo. , (2019).
- Esteban, O., et al. FMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16, 111-116 (2019).
- Esteban, O., et al. Analysis of task-based functional MRI data preprocessed with fMRIPrep. bioRxiv. , 694364 (2020).
- Cox, R. W. AFNI: Software for analysis and visualization of functional magnetic resonance neuroimages. Computers and Biomedical Research. 29 (3), 162-173 (1996).
- Avants, B. B., et al. A reproducible evaluation of ANTs similarity metric performance in brain image registration. NeuroImage. 54 (3), 2033-2044 (2011).
- Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis: I. Segmentation and surface reconstruction. NeuroImage. 9 (2), 179-194 (1999).
- Woolrich, M. W., et al. Bayesian analysis of neuroimaging data in FSL. NeuroImage. 45, 173-186 (2009).
- Klein, A., et al. Mindboggling morphometry of human brains. PLoS Computational Biology. 13 (2), 1005350 (2017).
- 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).
- 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).
- Krogh, L., Vlach, H. A., Johnson, S. P. Statistical learning across development: Flexible yet constrained. Frontiers in Psychology. 3, 598 (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
