Mesurer l’apprentissage statistique dans toutes les modalités et domaines des enfants d’âge scolaire via une plate-forme en ligne et des techniques de neuroimagerie
Summary
Présenté ici est un protocole introduisant un ensemble de tâches d’apprentissage statistique adaptées aux enfants visant à examiner l’apprentissage des modèles statistiques temporels par les enfants dans tous les domaines et les modalités sensorielles. Les tâches développées recueillent des données comportementales à l’aide de la plate-forme web et des données d’imagerie par résonance magnétique fonctionnelle (IRMf) basées sur les tâches pour examiner l’engagement neuronal pendant l’apprentissage statistique.
Abstract
L’apprentissage statistique, une compétence fondamentale pour extraire les régularités dans l’environnement, est souvent considéré comme un mécanisme de soutien de base du développement de la langue maternelle. Bien que de nombreuses études sur l’apprentissage statistique soient menées dans un domaine ou une même modalité, des données récentes suggèrent que cette compétence peut différer en fonction du contexte dans lequel les stimuli sont présentés. En outre, peu d’études étudient l’apprentissage tel qu’il se déroule en temps réel, plutôt sur les résultats de l’apprentissage. Dans ce protocole, nous décrivons une approche pour identifier la base cognitive et neuronale de l’apprentissage statistique, au sein d’un individu, à travers les domaines (linguistiques vs non linguistiques) et les modalités sensorielles (visuelles et auditives). Les tâches sont conçues pour imposer le moins de demande cognitive possible aux participants, ce qui en fait l’idéal pour les jeunes enfants d’âge scolaire et les populations spéciales. La nature web des tâches comportementales offre une occasion unique pour nous d’atteindre des populations plus représentatives à l’échelle nationale, d’estimer les tailles d’effets avec une plus grande précision, et de contribuer à la recherche ouverte et reproductible. Les mesures neuronales fournies par la tâche d’imagerie par résonance magnétique fonctionnelle (IRMf) peuvent informer les chercheurs sur les mécanismes neuronaux engagés pendant l’apprentissage statistique, et comment ceux-ci peuvent différer d’un individu à l’autre sur la base du domaine ou de la modalité. Enfin, les deux tâches permettent de mesurer l’apprentissage en temps réel, car les changements dans le temps de réaction à un stimulus cible sont suivis tout au long de la période d’exposition. La principale limitation de l’utilisation de ce protocole concerne la durée d’une heure de l’expérience. Les enfants pourraient avoir besoin d’accomplir les quatre tâches d’apprentissage statistique en plusieurs séances. Par conséquent, la plate-forme web est conçue en présentant cette limitation afin que les tâches puissent être diffusées individuellement. Cette méthodologie permettra aux utilisateurs d’étudier comment le processus d’apprentissage statistique se déroule dans les domaines et dans les domaines et les modalités chez les enfants de différents milieux de développement.
Introduction
L’apprentissage statistique est une compétence élémentaire qui soutient l’acquisition de combinaisons régies par des règles dans les intrants linguistiques1. La capacité d’apprentissage statistique réussie chez les nourrissons prédit le succès ultérieur de l’apprentissage des langues2,3. La variabilité des compétences d’apprentissage statistique chez les enfants d’âge scolaire a également été associée au vocabulaire4 et à la lecture5,6. La difficulté dans l’apprentissage statistique a été proposée comme un mécanisme étiologique sous-jacent à l’affaiblissement du langage7. Malgré l’association entre l’apprentissage statistique et les résultats linguistiques dans les populations neurotypiques et atypiques, les mécanismes cognitifs et neuronaux sous-jacents à l’apprentissage statistique restent mal compris. En outre, la littérature précédente a révélé que, au sein d’un individu, la capacité d’apprentissage statistique n’est pas uniforme, mais indépendante dans tous les domaines et les modalités6,8,9. La trajectoire de développement des capacités d’apprentissage statistique peut varier d’un domaine à l’autre et des modalités10. Ces résultats soulignent l’importance d’évaluer les différences individuelles dans l’apprentissage statistique entre plusieurs tâches tout au long du développement. Toutefois, le domaine exige d’abord une étude plus systématique de la relation entre l’apprentissage statistique et le développement des langues maternelles. Pour répondre à ces questions, nous appliquons des méthodes novatrices, y compris une plate-forme de test web11 qui rejoint un grand nombre d’enfants, et des techniques de neuroimagerie en laboratoire (imagerie par résonance magnétique fonctionnelle, ou IRMf) qui examinent l’encodage en temps réel de l’information statistique.
Les mesures standard de l’apprentissage statistique commencent par une phase de familiarisation et sont suivies d’une tâche de choix forcé à deux alternatives (2-AFC)12,13. La phase de familiarisation introduit un flux continu de stimuli intégrés à des régularités statistiques, où certains stimuli sont plus susceptibles de co-produire que d’autres. La présentation de ces stimuli co-produisant suit un ordre temporel fixe. Les participants sont exposés passivement au flux pendant la phase de familiarisation, suivis d’une tâche 2-AFC qui teste si le participant a réussi à extraire les modèles. La tâche de précision 2-AFC présente deux séquences consécutives : une séquence a été présentée au participant au cours de la phase de familiarisation, tandis que l’autre est une séquence nouvelle, ou contient une partie de la séquence. La précision au-dessus du hasard sur le 2-AFC indiquerait un apprentissage réussi au niveau du groupe. Les tâches comportementales traditionnelles évaluant l’apprentissage statistique reposent généralement sur l’exactitude comme mesure des résultats de l’apprentissage. Cependant, l’exactitude ne tient pas compte de l’apprentissage naturel de l’information au fur et à mesure qu’elle se déroule dans le temps. Une mesure de l’apprentissage en temps réel est nécessaire pour puiser dans le processus d’apprentissage implicite de l’apprentissage statistique au cours duquel les enfants sont encore encodage des régularités à partir des entrées14,15,16. Diverses adaptations à travers les paradigmes ont été développées dans un effort pour s’éloigner de la mesure 2-AFC, vers des mesures de l’apprentissage en ligne par des réponses comportementales au cours de l’exposition16. Des études utilisant ces adaptations qui mesurent le temps de réaction pendant la phase d’exposition ont révélé qu’elles étaient liées à l’exactitude post-apprentissage17 avec une meilleure fiabilité des tests par rapport à celle de l’exactitude chez les apprenants adultes18.
Les mesures neuronales sont également fondamentales pour notre compréhension de la façon dont l’apprentissage se déroule au fil du temps, car le processus implicite par lequel l’apprentissage des langues se produit recrute probablement différentes ressources neuronales de celles utilisées une fois que la langue est apprise19. Les mesures neuronales fournissent également des aperçus des différences dans les spécialisations cognitives sous-jacentes à la capacité linguistique entre les populations spéciales20. La façon dont le contraste de la condition est conçu dans une étude d’IRMf est cruciale pour la façon dont nous interprétons les modèles d’activation neuronale pendant l’apprentissage. Une pratique courante consiste à comparer les réponses cérébrales au cours de la phase de familiarisation entre les séquences contenant des motifs réguliers par rapport à celles contenant les mêmes stimuli qui sont ordonnées au hasard. Cependant, des recherches antérieures mettant en œuvre une telle condition de contrôle aléatoire n’ont trouvé aucune preuve pour l’apprentissage dans le comportement, en dépit des différences neuronales entre les séquences structurées et aléatoires. Cela peut être dû à l’interférence de séquences aléatoires sur l’apprentissage des séquences structurées, car les deux ont été construits à partir des mêmes stimuli21,22. D’autres études d’IRMf qui ont utilisé la parole en arrière ou des blocs d’apprentissage antérieurs que la condition de contrôle confirmé l’apprentissage a eu lieu comportementalement19,23. Cependant, chacun de ces paradigmes a introduit son propre facteur de confusion, tel que l’effet du traitement du langage pour le premier cas et l’effet de l’ordonnance expérimentale pour le second cas. Notre paradigme utilise la séquence aléatoire comme condition de contrôle, mais atténue leur interférence sur l’apprentissage des séquences structurées par les participants. Notre paradigme d’IRMf implémente également une conception mixte liée au bloc/événement, qui permet la modélisation simultanée des signaux BOLD liés à l’essai transitoire et soutenus liés à la tâche24. Enfin, et plus largement, les mesures neuronales permettent de mesurer l’apprentissage dans les populations où il peut être difficile d’obtenir une réponse comportementale explicite (p. ex., populations développementales et spéciales)25.
Le protocole actuel adopte une mesure du temps de réponse, en plus des mesures traditionnelles d’exactitude, et examine l’activation du cerveau pendant la phase de familiarisation. La combinaison de ces méthodes vise à fournir un ensemble de données riche pour l’étude des processus d’apprentissage en temps réel. La plate-forme web offre un ensemble de mesures d’apprentissage en incluant à la fois le temps de réponse pendant la phase d’exposition et l’exactitude de la tâche 2-AFC pendant la phase de test. Le protocole de neuroimagerie permet l’étude des mécanismes neuronaux sous-jacents soutenant l’apprentissage statistique à travers les domaines et les modalités. Bien qu’il soit optimal de mesurer l’apprentissage statistique au sein d’une personne à l’aide des protocoles web et de l’IRMf, les tâches sont conçues de manière à ce qu’elles puissent être diffusées de façon indépendante, et donc, comme deux mesures indépendantes de l’apprentissage statistique. Les expériences d’IRMf incluses dans le protocole actuel peuvent aider à clarifier comment le codage de stimulation, l’extraction de modèles et d’autres composantes constitutives de l’apprentissage statistique sont représentés par des régions et des réseaux cérébraux particuliers.
Protocol
Representative Results
Discussion
Les méthodes présentées dans le protocole actuel fournissent un paradigme multimodal pour comprendre les indices comportementaux et neuronaux de l’apprentissage statistique tout au long du développement. La conception actuelle permet d’identifier les différences individuelles dans la capacité d’apprentissage statistique entre les modalités et les domaines, qui peuvent être utilisées pour une étude future de la relation entre l’apprentissage statistique et le développement du langage. Étant donné que …
Divulgations
The authors have nothing to disclose.
Acknowledgements
Nous remercions Yoel Sanchez Araujo et Wendy Georgan pour leur contribution à la conception initiale de la plate-forme web. Nous remercions An Nguyen et Violet Kozloff pour leur travail sur l’amélioration des tâches d’apprentissage statistique sur le Web, la mise en œuvre des tâches de l’IRMf et le pilotage des tâches des participants adultes. Nous remercions Violet Kozloff et Parker Robbins pour leur contribution à la collecte de données chez les enfants. Nous remercions Ibrahim Malik, John Christopher, Trevor Wigal et Keith Schneider du Center for Biological and Brain Imaging de l’Université du Delaware pour leur aide dans la collecte de données de neuroimagerie. Ces travaux sont financés en partie par l’Institut national sur la surdité et d’autres troubles de la communication (PI: Qi; NIH 1R21DC017576) et la Direction de la National Science Foundation pour les sciences sociales, comportementales et économiques (PI: Schneider, Co-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).
