Medindo a aprendizagem estatística entre modalidades e domínios em crianças em idade escolar através de uma plataforma online e técnicas de neuroimagem
Summary
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.
Abstract
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.
Introduction
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.
Protocol
Representative Results
Discussion
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 …
Divulgations
The authors have nothing to disclose.
Acknowledgements
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).
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).
