通过在线平台和神经成像技术测量学龄儿童跨模式和领域的统计学习
Summary
这里介绍的是一套议定书，其中介绍了一套适合儿童的统计学习任务，旨在检查儿童对跨领域和感官模式的时间统计模式的学习。开发的任务使用基于 Web 的平台和基于任务的功能磁共振成像 （fMRI） 数据收集行为数据，用于在统计学习期间检查神经参与度。
Abstract
统计学习是一种在环境中提取规律的基本技能，通常被认为是第一语言发展的核心支持机制。虽然许多统计学习的研究是在单一领域或模式内进行的，但最近有证据表明，这种技能可能因提出刺激的背景而有所不同。此外，很少有研究会实时调查学习过程，而要关注学习的结果。在该协议中，我们描述了一种在个人内部跨领域（语言与非语言）和感官模式（视觉和听觉）中识别统计学习的认知和神经基础的方法。这些任务旨在尽可能减少参与者的认知需求，使其非常适合年轻的学龄儿童和特殊人群。行为任务的基于网络的性质为我们提供了一个独特的机会，可以覆盖全国更具代表性的人口，更精确地估计效果大小，并为开放和可重复的研究做出贡献。功能磁共振成像 （fMRI） 任务提供的神经测量可以告知研究人员统计学习过程中的神经机制，以及这些机制在域或模式的基础上，个体之间有何不同。最后，这两项任务都允许测量实时学习，因为在整个暴露期跟踪目标刺激反应时间的变化。使用本协议的主要限制与实验的时长有关。儿童可能需要在多次坐姿中完成所有四个统计学习任务。因此，基于 Web 的平台的设计铭记这一限制，以便可以单独分发任务。这种方法将使用户能够调查统计学习过程如何跨越不同发展背景的儿童的域和模式展开。
Introduction
统计学习是一项基本技能，支持在语言输入1中获取规则控制的组合。婴儿成功的统计学习能力预测以后的语言学习成功2,2，3。学龄儿童统计学习技能的变异性也与词汇4和阅读,45、6有关。统计学习的困难被提出为语言障碍的病因机制之一。尽管在神经典型和非典型人群中，统计学习与语言结果之间关联，但统计学习背后的认知和神经机制仍然缺乏了解。此外，以往的文献显示，在个人内部，统计学习能力并不统一，而是,跨领域和模式6、8、9,8而独立的。统计学习能力的发展轨迹可能因领域和方式10而进一步不同。这些发现强调了在整个发展过程中评估统计学习中个体差异的重要性。然而，该领域首先需要更系统地调查统计学习与第一语言发展之间的关系。为了解决这些问题，我们应用了创新方法，包括覆盖大量儿童的基于 Web 的测试平台11，以及基于实验室的神经成像技术（功能磁共振成像或 fMRI），用于检查统计信息的实时编码。
统计学习的标准度量从熟悉阶段开始，然后是双选强制选择（2-AFC）任务12，13。12,熟悉阶段引入了一个与统计规律相关的连续刺激流，其中一些刺激比另一些刺激更可能共同发生。这些共同发生的刺激的呈现遵循一个固定的时间顺序。在熟悉阶段，参与者被动地暴露在流中，然后是 2-AFC 任务，用于测试参与者是否成功提取了模式。2-AFC 精度任务呈现两个连续序列：一个序列在熟悉阶段呈现给参与者，而另一个序列是新颖序列，或包含序列的一部分。2-AFC 的偶然精度高于此，表明在小组层面学习成功。评估统计学习的传统行为任务通常依赖于准确性作为学习的结果衡量标准。然而，准确性不能解释信息在时间中展开时的自然学习。实时学习的衡量标准是必要的，以利用统计学习的隐性学习过程，在此期间，儿童仍然编码从输入14，15，16,15,的规律。为了从2-AFC措施转向通过曝光期间的行为反应进行在线学习的测量，已经开发了各种模式的适应。利用这些适应测量暴露阶段反应时间的研究发现，与成人学习者18的准确度相比，这些适应与学习后准确性17有关，测试可靠性更高。
神经测量也是我们理解学习如何随着时间而展开的基础，因为语言学习的隐性过程可能从语言学习后从使用的神经资源中招募不同的神经资源。神经测量也提供了对认知专业基础语言能力的差异的见解，在特殊群体20。fMRI 研究中如何设计条件对比度对于我们如何在学习期间解释神经激活模式至关重要。一个常见的做法是比较大脑反应在熟悉阶段包含常规模式的序列和那些包含随机排序的相同刺激的序列之间。然而，尽管结构化序列和随机序列之间的神经差异，但之前实施这种随机控制条件的研究没有发现行为学习的证据。这可能是由于随机序列对结构化序列学习的干扰，因为两者都是从同一刺激21，22,构造的。其他利用后语音或早期学习块作为控制条件确认学习的fMRI研究在行为上进行了19，23。,23然而，这些范式都引入了其自身的混淆因素，例如语言处理对前一种情况的影响以及后一种情况的实验顺序的影响。我们的范例使用随机序列作为控制条件，但减轻了它们对参与者学习结构化序列的干扰。我们的 fMRI 范式还实现了混合块/事件相关设计，允许同时建模瞬态试验相关和持续任务相关的 BOLD 信号24。最后，更广泛地说，神经测量允许测量在引起明确的行为反应可能难以（如发育和特殊人群）的人群中的学习测量25。
目前的协议除了采用传统的精度测量外，还采用响应时间测量，并在熟悉阶段检查大脑激活。这些方法的组合旨在为实时学习过程的调查提供丰富的数据集。基于 Web 的平台通过将暴露阶段的响应时间和测试阶段 2-AFC 任务的准确性两个时间都包括在一起，提供了一套学习措施。神经成像协议允许研究支持跨领域和模式的统计学习的基础神经机制。虽然使用基于 Web 和 fMRI 的协议衡量个人内部的统计学习是最佳方法，但设计这些任务是为了能够独立传播，因此，作为统计学习的两个独立衡量标准。当前协议中包含的 fMRI 实验有助于澄清统计学习的刺激编码、模式提取和其他组成成分如何由特定的大脑区域和网络表示。
Protocol
Representative Results
Discussion
当前协议中介绍的方法为理解整个开发过程中统计学习的行为和神经指数提供了多式联运范式。目前的设计允许识别不同模式和领域的统计学习能力，可用于今后调查统计学习与语言发展之间的关系。由于个人的统计学习能力因领域和模式6、8、9而异8，9因此如果参与者完成所有四项任务，则最佳选择。,来自典型的儿童和成人…
Divulgations
The authors have nothing to disclose.
Acknowledgements
我们感谢约尔·桑切斯·阿劳霍和温迪·乔治在基于网络的平台的初始设计中做出的贡献。我们感谢安 Nguyen 和 Violet Kozloff 在改进基于 Web 的统计学习任务、执行 fMRI 任务以及在成人参与者中试验任务方面的工作。我们感谢维奥莱特·科兹洛夫和帕克·罗宾斯为协助儿童数据收集工作做出的贡献。我们感谢特拉华大学生物和脑成像中心的易卜拉欣·马利克、约翰·克里斯托弗、特雷弗·维加尔和基思·施耐德在神经成像数据收集方面提供的援助。这项工作部分由国家耳聋和其他传播障碍研究所资助（PI：Qi;NIH 1R21DC017576）和国家科学基金会社会、行为和经济科学局（PI：施耐德，联合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. |
References
- 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).
