Summary

Измерение статистического обучения в различных условиях и доменах у детей школьного возраста с помощью онлайн-платформы и методов нейровизуаляции

Published: June 30, 2020
doi:

Summary

Здесь представлен протокол, вводящий набор дитя дружественных статистических задач обучения, направленных на изучение детей обучения временных статистических моделей в различных областях и сенсорных методов. Разработанные задачи собирают поведенческие данные с помощью веб-платформы и целевых функциональных магнитно-резонансных томографий (МРТ) данных для изучения нейронного взаимодействия во время статистического обучения.

Abstract

Статистическое обучение, основополагающее умение извлекать закономерности в окружающей среде, часто считается основным вспомогательным механизмом развития первого языка. Хотя многие исследования статистического обучения проводятся в рамках одной области или модальности, последние данные свидетельствуют о том, что этот навык может отличаться в зависимости от контекста, в котором стимулы представлены. Кроме того, лишь немногие исследования исследуют обучение по мере его развития в режиме реального времени, а скорее фокусируется на результатах обучения. В этом протоколе мы описываем подход к выявлению когнитивной и нейронной основы статистического обучения в пределах индивидуума, в разных областях (лингвистических и нелингулингических) и сенсорных условиях (визуальных и слуховых). Задачи призваны бросить как можно меньше когнитивного спроса на участников, что делает его идеальным для молодых детей школьного возраста и специальных групп населения. Веб-природа поведенческих задач предоставляет нам уникальную возможность охватить более представительные группы населения по всей стране, оценить размеры эффекта с большей точностью и внести свой вклад в открытые и воспроизводимые исследования. Нейронные измерения, предоставляемые функциональной магнитно-резонансной томографии (МРТ) задача может информировать исследователей о нейронных механизмов, участвующих в статистическом обучении, и как они могут отличаться между людьми на основе домена или модальности. Наконец, обе задачи позволяют измерять обучение в режиме реального времени, поскольку изменения времени реакции на целевой стимул отслеживаются в течение всего периода воздействия. Основное ограничение использования этого протокола связано с часовой продолжительностью эксперимента. Детям, возможно, потребуется выполнить все четыре задачи статистического обучения в несколько заседаний. Таким образом, веб-платформа разработана с этим ограничением в виду, так что задачи могут распространяться индивидуально. Эта методология позволит пользователям исследовать, как процесс статистического обучения разворачивается в различных областях и в пределах областей и условий у детей из различных областей развития.

Introduction

Статистическое обучение является элементарным навыком, поддерживающим приобретение управляемых правилом комбинаций в языковых вводах1. Успешная статистическая способность к обучению у младенцев предсказывает более поздний успех изученияязыка 2,3. Вариативность статистических навыков обучения у детей школьного возраста также была связана слексикой 4 ичтением 5,,6. Трудности в статистическом обучении были предложены в качестве одного этиологического механизма, лежащего в основе нарушенияязыка 7. Несмотря на связь между статистическим обучением и языковыми результатами как в невротипических, так и в нетипичных популяциях, когнитивные и нейронные механизмы, лежащие в основе статистического обучения, остаются плохо изучены. Кроме того, предыдущая литература показала, что в пределах отдельного, статистические способности обучения не является однородным, нонезависимым в различных областях и условиях 6,8,9. Траектория развития способностей статистического обучения может еще больше варьироваться в зависимости от областей иусловий 10. Эти выводы подчеркивают важность оценки индивидуальных различий в статистическом обучении по нескольким задачам на протяжении всего курса развития. Однако в первую очередь на местах требуется более систематическое изучение взаимосвязи между статистическим обучением и развитием первого языка. Для решения этих вопросов мы применяем инновационные методы,включая веб-платформу тестирования 11, которая достигает большого числа детей, и лабораторные методы нейровизуаляции (функциональная магнитно-резонансная томография, или МРТ), которые изучают кодирование статистической информации в режиме реального времени.

Стандартные показатели статистического обучения начинаются с этапа ознакомлизации, за которыми следует двух альтернативная принудимая задача (2-AFC)12,13. Этап ознакомиться с ними вводит непрерывный поток стимулов, встроенных в статистическую закономерность, где некоторые стимулы с большей вероятностью со-происходят, чем другие. Представление этих со-происходящих стимулов следует фиксированному временному порядку. Участники пассивно подвергаются воздействию потока на этапе ознакомлизации, а затем 2-AFC задача, которая проверяет, является ли участник успешно извлечены шаблоны. Задача точности 2-AFC представляет две последовательные последовательности: одна последовательность была представлена участнику на этапе ознакомиться, в то время как другая является новой последовательностью или содержит часть последовательности. Выше шанс точность на 2-AFC будет означать успешное обучение на групповом уровне. Традиционные поведенческие задачи оценки статистического обучения, как правило, полагаются на точность в качестве результатов измерения обучения. Однако точность не учитывает естественное изучение информации по мере ее развития во времени. Мера обучения в режиме реального времени необходима, чтобы задействовать неявный процесс обучения статистическому обучению, в ходе которого дети все ещекодим закономерности из входов 14,,15,,16. Различные адаптации между парадигмами были разработаны в попытке отойти от 2-АФК мера, к мерам он-лайн обучения через поведенческие реакции во времявоздействия 16. Исследования с использованием этих приспособлений, которые измеряют время реакции во время фазы воздействия обнаружили, что они былисвязаны с точностью после обучения 17 с лучшей надежностью теста-повторного тестирования по сравнению с точностью увзрослых учащихся 18.

Нейронные меры также являются основополагающими для нашего понимания того, как обучение разворачивается с течением времени, как неявный процесс, с помощью которого происходит изучение языка, вероятно, набирает различные нейронные ресурсы от тех, которыеиспользуются после изучения языка 19. Нейронные меры также дают представление о различиях в когнитивных специализациях, лежащих в основе языковых способностей в разныхпопуляциях 20. Как контраст состояния разработан в исследовании МРТ имеет решающее значение для того, как мы интерпретируем модели нейронной активации во время обучения. Одной из распространенных практик является сравнение реакций мозга во время фазы ознакомлизации между последовательностями, содержащими регулярные модели, по сравнению с теми, которые содержат те же стимулы, которые заказываются случайным образом. Тем не менее, предыдущие исследования реализации такого случайного состояния контроля не нашли никаких доказательств для обучения в поведении, несмотря на нейронные различия между структурированной и случайных последовательностей. Это может быть связано с вмешательством случайных последовательностей при изучении структурированных последовательностей, так как оба были построены из тех жестимулов 21,22. Другие исследования МРТ, которые использовали обратную речь или более ранние учебные блоки, как условие управления подтвердил обучениесостоялось поведенчески 19,23. Однако каждая из этих парадигм ввела свой собственный смешанный фактор, такой, как эффект обработки языка для первого случая и эффект экспериментального порядка для последнего случая. Наша парадигма использует случайную последовательность в качестве условия управления, но смягчает их вмешательство в изучение участниками структурированных последовательностей. Наша парадигма МРТ также реализует смешанную конструкцию, связанную с блоком/событием, которая позволяет одновременно моделировать переходные пробные и устойчивые сигналы BOLD, связанные сзадачей 24. Наконец, и в более широком смысле, нейронные меры позволяют измерять обучение в популяциях, где получение явной поведенческой реакции может быть затруднено (например, развитие и специальныегруппы населения) 25.

Текущий протокол принимает меру времени отклика, в дополнение к традиционным мерам точности, и рассматривает активацию мозга на этапе ознакомлизации. Сочетание этих методов призвано обеспечить богатый набор данных для исследования процессов обучения в режиме реального времени. Веб-платформа предлагает набор мер обучения, включив как время отклика на этапе экспозиции, так и точность задачи 2-AFC на этапе тестирования. Протокол нейровизуаляций позволяет изузнать основные нейронные механизмы, поддерживающие статистическое обучение в различных областях и условиях. Хотя оптимально измерять статистическое обучение в рамках отдельного лица с использованием как веб-протоколов, так и протоколов МРТ, эти задачи разработаны таким образом, чтобы они могли распространяться независимо и, следовательно, в качестве двух независимых показателей статистического обучения. Эксперименты МРТ, включенные в текущий протокол, могут помочь прояснить, каким образом кодирование стимулов, извлечение шаблонов и другие составляющие компоненты статистического обучения представлены определенными регионами и сетями мозга.

Protocol

Все участники дали письменное согласие на участие, и исследование проводилось в соответствии с Институциональным советом по обзору. 1. Обзор парадигмы статистического обучения, используемой в веб-протоколе Включите в текущую парадигму четыре задачи: изображение (в…

Representative Results

Поведенческие результаты на веб-сайтеУчитывая, что нынешний протокол предназначен для легкого распространения среди населения, в котором мы приняли участие в разработке предварительных веб-результатов, основанных на данных 22 развивающихся детей школьного возраста (средн?…

Discussion

Методы, представленные в текущем протоколе, обеспечивают мультимодаленную парадигму для понимания поведенческих и нейронных индексов статистического обучения в процессе развития. Нынешняя конструкция позволяет идентифицировать индивидуальные различия в способности статистическо…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Мы благодарим Yoel Sanchez Araujo и Wendy Georgan за их вклад в первоначальный дизайн веб-платформы. Мы благодарим An Nguyen и Violet Kozloff за их работу по совершенствованию задач статистического обучения в Интернете, реализации задач МРТ и пилотирования задач у взрослых участников. Мы благодарим Вайолет Козлов и Паркера Роббинса за их вклад в содействие сбору данных у детей. Мы благодарим Ибрагима Малика, Джона Кристофера, Тревора Вигала и Кита Шнайдера из Центра биологической визуализации и визуализации мозга Университета Делавэра за помощь в нейровизуаляции сбора данных. Эта работа частично финансируется Национальным институтом по глухоте и другим коммуникационным расстройствам (PI: Ци; NIH 1R21DC017576) и Национальный научный фонд Директорат социальных, поведенческих и экономических наук (PI: Шнайдер, Co-PI: Ци и 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

  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).

Play Video

Cite This Article
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).

View Video