JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Resultados
Discussion
Declarações
Acknowledgements
Materials
Referências
Tadução automática
Neurociência

Måling af statistisk læring på tværs af modaliteter og domæner i skolealderen børn via en online platform og neuroimaging teknikker

Published: June 30, 2020
doi:
10.3791/61474
, , ,
1Department of Linguistics and Cognitive Science,University of Delaware

Summary

Præsenteret her er en protokol, der indfører et sæt børnevenlige statistiske læringsopgaver rettet mod at undersøge børns læring af tidsmæssige statistiske mønstre på tværs af domæner og sensoriske modaliteter. De udviklede opgaver indsamler adfærdsmæssige data ved hjælp af den webbaserede platform og opgavebaserede funktionelle magnetiske resonansbilleddannelsesdata (fMRI) til undersøgelse af neuralt engagement under statistisk læring.

Abstract

Statistisk læring, en grundlæggende færdighed i at udtrække regelmæssigheder i miljøet, betragtes ofte som en central støttemekanisme i den første sprogudvikling. Mens mange undersøgelser af statistisk læring udføres inden for et enkelt domæne eller modalitet, tyder de seneste tegn på, at denne færdighed kan variere baseret på den sammenhæng, hvori stimuli præsenteres. Desuden undersøger kun få undersøgelser læring, som den udfolder sig i realtid, snarere med fokus på resultatet af læring. I denne protokol beskriver vi en tilgang til at identificere det kognitive og neurale grundlag for statistisk læring, inden for en person, på tværs af domæner (sproglig vs. ikke-sproglige) og sensoriske modaliteter (visuelle og auditive). Opgaverne er designet til at kaste så lidt kognitiv efterspørgsel som muligt på deltagerne, hvilket gør det ideelt for unge børn i skolealderen og særlige befolkningsgrupper. Den web-baserede karakter af adfærdsmæssige opgaver giver en unik mulighed for os at nå mere repræsentative befolkninger landsdækkende, at vurdere effekt størrelser med større præcision, og at bidrage til åben og reproducerbar forskning. De neurale foranstaltninger, som den funktionelle magnetiske resonans imaging (fMRI) opgave kan informere forskerne om de neurale mekanismer engageret under statistisk læring, og hvordan disse kan variere på tværs af individer på grundlag af domæne eller modalitet. Endelig giver begge opgaver mulighed for måling af læring i realtid, da ændringer i reaktionstiden til en målstimulering spores over eksponeringsperioden. Den vigtigste begrænsning ved at bruge denne protokol vedrører eksperimentets timelange varighed. Børn skal muligvis udføre alle fire statistiske læringsopgaver på flere møder. Derfor er den webbaserede platform designet med denne begrænsning for øje, så opgaver kan formidles individuelt. Denne metode vil give brugerne mulighed for at undersøge, hvordan processen med statistisk læring udfolder sig på tværs af og inden for områder og modaliteter hos børn med forskellig udviklingsbaggrund.

Introduction

Statistisk læring er en elementær færdighed, der understøtter erhvervelsen af regelstyrede kombinationer i sproginput1. Vellykket statistisk indlæringsevne hos spædbørn forudsiger senere sprogindlæringssucces2,3. Variabilitet i statistiske læringsfærdigheder hos børn i skolealderen har også været forbundet med ordforråd4 oglæsning 5,6. Der er foreslået vanskeligheder med statistisk læring som en æiologisk mekanisme , der ligger til grund forsprogforringelse 7. På trods af forbindelsen mellem statistisk læring og sprogresultater i både neurotypiske og atypiske populationer er de kognitive og neurale mekanismer, der ligger til grund for statistisk læring, fortsat dårligt forstået. Desuden har tidligere litteratur vist, at statistisk indlæringsevne inden for en enkelt person ikke er ensartet, men uafhængig på tværs af domæner ogmodaliteter 6,8,9. Den udviklingsmæssige bane for statistiske læringsevner kan variere yderligere på tværs af domæner og modaliteter10. Disse resultater understreger vigtigheden af at vurdere individuelle forskelle i statistisk læring på tværs af flere opgaver i løbet af udviklingen. Feltet kræver imidlertid først en mere systematisk undersøgelse af forholdet mellem statistisk læring og førstesprogsudvikling. For at løse disse spørgsmål anvender vi innovative metoder, herunder en webbaseret testplatform11, der når ud til et stort antal børn, og laboratoriebaserede neuroimagingteknikker (funktionel magnetisk resonansbilleddannelse eller fMRI), der undersøger realtidskodning af statistiske oplysninger.

Standard mål for statistisk læring begynder med en fortrolighedsfase og efterfølges af en to-alternativ tvungen valg (2-AFC) opgave12,13. Den familiarization fase introducerer en kontinuerlig strøm af stimuli indlejret med statistiske regelmæssigheder, hvor nogle stimuli er mere tilbøjelige til at co-forekomme end andre. Præsentationen af disse samtidig forekommende stimuli følger en fast tidsmæssig orden. Deltagerne udsættes passivt for strømmen i inddæmningsfasen efterfulgt af en 2-AFC-opgave, der tester, om deltageren har udtrukket mønstrene. 2-AFC-nøjagtighedsopgaven præsenterer to på hinanden følgende sekvenser: Den ene sekvens er blevet præsenteret for deltageren i fortrolighedsfasen, mens den anden er en ny sekvens eller indeholder en del af sekvensen. Over-chance nøjagtighed på 2-AFC ville indikere vellykket læring på gruppeniveau. Traditionelle adfærdsmæssige opgaver, der vurderer statistisk læring generelt stole på nøjagtighed som resultatet mål for læring. Men nøjagtigheden undlader at tage højde for den naturlige læring af information, som det udfolder sig i tide. Det er nødvendigt at måle læring i realtid for at udnytte den implicitte læringsproces med statistisk læring , hvor børn stadig kodler regelmæssighederne fra input14,15og16. Forskellige tilpasninger på tværs af paradigmer er blevet udviklet i et forsøg på at bevæge sig væk fra 2-AFC foranstaltning, i retning af mål for on-line læring gennem adfærdsmæssige reaktioner undereksponeringen 16. Undersøgelser, der anvender disse tilpasninger, og som måler reaktionstiden i eksponeringsfasen, viste, at de var relateret til nøjagtigheden efterindlæringen 17 med bedre testsikkerhedspålidelighed i forhold til nøjagtigheden hos voksneelever 18.

Neurale foranstaltninger er også grundlæggende for vores forståelse af, hvordan læring udfolder sig over tid, som den implicitte proces, som sprogindlæring opstår sandsynligvis rekrutterer forskellige neurale ressourcer fra dem, der anvendes, når sproget erlært 19. Neurale foranstaltninger giver også indsigt i forskelle i kognitive specialiseringer underliggende sprog evne på tværs af særligepopulationer 20. Hvordan tilstandskontrasten er designet i en fMRI-undersøgelse er afgørende for, hvordan vi fortolker mønstre af neural aktivering under læring. En almindelig praksis er at sammenligne hjernens reaktioner i fortrolighedsfasen mellem sekvenser, der indeholder regelmæssige mønstre i forhold til dem, der indeholder de samme stimuli, som bestilles tilfældigt. Men, tidligere forskning gennemføre en sådan tilfældig kontrol tilstand fandt ingen beviser for læring i adfærd, trods neurale forskelle mellem strukturerede og tilfældige sekvenser. Dette kan skyldes interferens af tilfældige sekvenser på læring af strukturerede sekvenser, som begge blev konstrueret af de samme stimuli21,22. Andre fMRI undersøgelser, der udnyttede tilbagestående tale eller tidligere læring blokke som kontrol betingelse bekræftet læring fandt stedadfærdsmæssigt 19,23. Hvert af disse paradigmer indførte imidlertid sin egen konfunderende faktor, såsom virkningen af sprogbehandling i førstnævnte tilfælde og virkningen af forsøgskendelsen i sidstnævnte tilfælde. Vores paradigme bruger den tilfældige sekvens som kontrolbetingelse, men afbøder deres indblanding i deltagernes læring af de strukturerede sekvenser. Vores fMRI paradigme implementerer også en blandet blok / event-relateret design, som giver mulighed for samtidig modellering af forbigående forsøg-relaterede og vedvarende opgave-relaterede FED signaler24. Endelig, og mere bredt, neurale foranstaltninger giver mulighed for måling af læring i populationer, hvor fremkalde en eksplicit adfærdsmæssig reaktion kan være vanskeligt (f.eks udviklingsmæssige og særlige populationer)25.

Den nuværende protokol vedtager en responstidsmål, ud over traditionelle nøjagtighedsmål, og undersøger hjernens aktivering i fortrolighedsfasen. Kombinationen af disse metoder har til formål at give et rigt datasæt til undersøgelse af læringsprocesser i realtid. Den webbaserede platform tilbyder et sæt læringsforanstaltninger ved at inkludere både responstiden i eksponeringsfasen og nøjagtigheden af 2-AFC-opgaven i testfasen. Den neuroimaging protokol giver mulighed for undersøgelse af de underliggende neurale mekanismer, der understøtter statistisk læring på tværs af domæner og modaliteter. Selv om det er optimalt at måle statistisk læring inden for en person, der bruger både webbaserede protokoller og fMRI-protokoller, er opgaverne udformet således, at de kan formidles uafhængigt og derfor som to uafhængige mål for statistisk læring. De fMRI-eksperimenter, der indgår i den aktuelle protokol, kan hjælpe med at afklare, hvordan stimuluskodning, mønsterudtrækning og andre bestanddele af statistisk læring repræsenteres af bestemte hjerneregioner og netværk.

Protocol

Alle deltagere gav skriftlig tilladelse til at deltage, og undersøgelsen blev gennemført i overensstemmelse med Det Institutionelle Klagenævn. 1. Oversigt over det statistiske læringsparadigme, der anvendes i den webbaserede protokol Medtag fire opgaver i det nuværende paradigme: billede (visuel-nonlinguistic), brev (visuel-sproglig), tone (auditive-nonlinguistic), og stavelse (auditive-sproglige). Konstruere stimuli til visuelle opgaver ved hjælp af 12 enkeltstående f…

Representative Results

Webbaserede adfærdsmæssige resultaterI betragtning af den nuværende protokol er designet til nem formidling med udviklingsmæssige populationer, har vi inkluderet foreløbige web-baserede resultater baseret på data fra 22 udvikle skolealderen børn (Mean (M) alder = 9,3 år, Standard Afvigelse (SD) alder = 2,04 år, interval = 6,2-12,6 år, 13 piger). I den webbaserede statistiske læringsopgave klarede børn sig betydeligt bedre end 0,5 chanceniveau på alle betingelser, hvilket indikerer vellyk…

Discussion

De metoder, der præsenteres i den nuværende protokol giver en multimodal paradigme for at forstå adfærdsmæssige og neurale indekser for statistisk læring på tværs af løbet af udviklingen. Det nuværende design gør det muligt at identificere individuelle forskelle i statistisk indlæringsevne på tværs af modaliteter og områder, som kan bruges til fremtidig undersøgelse af forholdet mellem statistisk læring og sprogudvikling. Da en persons statistiske indlæringsevne findes at variere på tværs af domæner …

Declarações

The authors have nothing to disclose.

Acknowledgements

Vi takker Yoel Sanchez Araujo og Wendy Georgan for deres bidrag i den oprindelige udformning af den web-baserede platform. Vi takker An Nguyen og Violet Kozloff for deres arbejde med at forbedre de webbaserede statistiske læringsopgaver, implementere fMRI-opgaverne og afprøve opgaverne hos voksne deltagere. Vi takker Violet Kozloff og Parker Robbins for deres bidrag til at bistå dataindsamling hos børn. Vi takker Ibrahim Malik, John Christopher, Trevor Wigal og Keith Schneider ved Center for Biological and Brain Imaging ved University of Delaware for deres hjælp til neuroimaging dataindsamling. Dette arbejde finansieres delvist af National Institute on Døvhed og andre kommunikationsforstyrrelser (PI: Qi; NIH 1R21DC017576) og National Science Foundation Directorate for Social, Behavioral & Economic Sciences (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.
DOWNLOAD MATERIALS LIST

Referências

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Arciuli, J., Simpson, I. C. Statistical Learning Is Related to Reading Ability in Children and Adults. Cognitive Science. 36 (2), 286-304 (2012).
  6. 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).
  7. 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).
  8. Siegelman, N., Frost, R. Statistical learning as an individual ability: Theoretical perspectives and empirical evidence. Journal of Memory and Language. 81, 105-120 (2015).
  9. 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).
  10. 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).
  11. Qi, Z., et al. An online platform for visual and auditory statistical learning for school-aged children (Version 1.0.0). Zenodo. , (2020).
  12. 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).
  13. 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).
  14. Siegelman, N., Bogaerts, L., Elazar, A., Arciuli, J., Frost, R. Linguistic entrenchment: Prior knowledge impacts statistical learning performance. Cognition. 177, 198-213 (2018).
  15. 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).
  16. 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).
  17. Krogh, L., Vlach, H. A., Johnson, S. P. Statistical Learning Across Development: Flexible Yet Constrained. Frontiers in Psychology. 3, 598 (2013).
  18. Siegelman, N., Bogaerts, L., Elazar, A., Arciuli, J., Frost, R. Linguistic entrenchment: Prior knowledge impacts statistical learning performance. Cognition. 177, 198-213 (2018).
  19. 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).
  20. 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).
  21. Mcnealy, K., Mazziotta, J., Dapretto, M. Cracking the Language Code: Neural Mechanisms Underlying Speech Parsing. Journal of Neuroscience. 26 (29), 7629-7639 (2006).
  22. 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).
  23. 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).
  24. Petersen, S. E., Dubis, J. W. The mixed block/event-related design. NeuroImage. 62 (2), 1177-1184 (2012).
  25. 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).
  26. Boersma, P., Weenink, D. . Praat: doing phonetics by computer [Computer program]. Version 601014. , (2020).
  27. Boersma, P. Praat, a system for doing phonetics by computer. Glot International. 5 (9), 341-345 (2001).
  28. 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).
  29. 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).
  30. de Leeuw, J. R. jsPsych: A JavaScript library for creating behavioral experiments in a Web browser. Behavior Research Methods. 47 (1), 1-12 (2015).
  31. Kana, R. K., et al. Probing the brain in autism using fMRI and diffusion tensor imaging. Journal of Visualized Experiments. (55), e3178 (2011).
  32. Casey, B. J., et al. The Adolescent Brain Cognitive Development (ABCD) study: Imaging acquisition across 21 sites. Developmental Cognitive Neuroscience. 32, 43-54 (2018).
  33. 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).
  34. Halchenko, Y. . nipy/heudiconv v0.6.0 (Version v0.6.0). Zenodo. , (2019).
  35. Esteban, O., et al. FMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16, 111-116 (2019).
  36. Esteban, O., et al. Analysis of task-based functional MRI data preprocessed with fMRIPrep. bioRxiv. , 694364 (2020).
  37. Cox, R. W. AFNI: Software for analysis and visualization of functional magnetic resonance neuroimages. Computers and Biomedical Research. 29 (3), 162-173 (1996).
  38. Avants, B. B., et al. A reproducible evaluation of ANTs similarity metric performance in brain image registration. NeuroImage. 54 (3), 2033-2044 (2011).
  39. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis: I. Segmentation and surface reconstruction. NeuroImage. 9 (2), 179-194 (1999).
  40. Woolrich, M. W., et al. Bayesian analysis of neuroimaging data in FSL. NeuroImage. 45, 173-186 (2009).
  41. Klein, A., et al. Mindboggling morphometry of human brains. PLoS Computational Biology. 13 (2), 1005350 (2017).
  42. 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).
  43. 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).
  44. Krogh, L., Vlach, H. A., Johnson, S. P. Statistical learning across development: Flexible yet constrained. Frontiers in Psychology. 3, 598 (2013).
  45. 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).
  46. 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).
  47. 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).
  48. 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).
  49. 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).

Tags

Statistical LearningModalitiesDomainsSchool-aged ChildrenOnline PlatformNeuroimagingLanguage DevelopmentCognitive DevelopmentDomain-generalDomain-specificWeb-based BehavioralLab-based NeuroimagingLanguage Learning DifficultiesSyllable TaskTone TaskImage TaskLetter TaskMock Scanner
check_url/pt/61474?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citar este artigo
Schneider, J. M., Hu, A., Legault, J., Qi, Z. Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques. J. Vis. Exp. (160), e61474, doi:10.3791/61474 (2020).
Baixar citação
Reimpressões e Permissões

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image