Summary

Het meten van statistisch leren in modaliteiten en domeinen bij schoolgaande kinderen via een online platform en neuroimaging technieken

Published: June 30, 2020
doi:

Summary

Hier wordt een protocol gepresenteerd dat een reeks kindvriendelijke statistische leertaken introduceert die gericht zijn op het onderzoeken van het leren van tijdelijke statistische patronen door kinderen over domeinen en zintuiglijke modaliteiten. De ontwikkelde taken verzamelen gedragsgegevens met behulp van het webgebaseerde platform en op taken gebaseerde functionele magnetische resonantiebeeldvorming (fMRI) voor het onderzoeken van neurale betrokkenheid tijdens statistisch leren.

Abstract

Statistisch leren, een fundamentele vaardigheid om regelmatigheid in het milieu te extraheren, wordt vaak beschouwd als een kernondersteunend mechanisme van de eerste taalontwikkeling. Hoewel veel studies van statistisch leren worden uitgevoerd binnen een enkel domein of modaliteit, recent bewijs suggereert dat deze vaardigheid kan verschillen op basis van de context waarin de stimuli worden gepresenteerd. Bovendien, weinig studies onderzoeken leren als het zich ontvouwt in real-time, in plaats van zich te concentreren op de uitkomst van het leren. In dit protocol beschrijven we een benadering voor het identificeren van de cognitieve en neurale basis van statistisch leren, binnen een individu, over domeinen (linguïstisch versus niet-linguïstisch) en zintuiglijke modaliteiten (visueel en auditief). De taken zijn ontworpen om zo weinig mogelijk cognitieve vraag te stellen aan deelnemers, waardoor het ideaal is voor jonge schoolgaande kinderen en speciale bevolkingsgroepen. Het web-based karakter van de gedragstaken biedt een unieke kans voor ons om meer representatieve populaties landelijk te bereiken, om effectgroottes met grotere precisie in te schatten en bij te dragen aan open en reproduceerbaar onderzoek. De neurale maatregelen die door de functionele magnetische resonantie imaging (fMRI) taak kan onderzoekers informeren over de neurale mechanismen die betrokken zijn bij statistisch leren, en hoe deze kunnen verschillen tussen individuen op basis van domein of modaliteit. Ten slotte maken beide taken het mogelijk om real-time leren te meten, omdat veranderingen in de reactietijd in een doelstimulus gedurende de blootstellingsperiode worden bijgehouden. De belangrijkste beperking van het gebruik van dit protocol heeft betrekking op de urenlange duur van het experiment. Kinderen moeten mogelijk alle vier de statistische leertaken in meerdere vergaderingen uitvoeren. Daarom is het webgebaseerde platform ontworpen met deze beperking in het achterhoofd, zodat taken individueel kunnen worden verspreid. Deze methodologie zal gebruikers in staat stellen om te onderzoeken hoe het proces van statistisch leren zich ontvouwt in en binnen domeinen en modaliteiten bij kinderen met verschillende ontwikkelingsachtergronden.

Introduction

Statistisch leren is een elementaire vaardigheid ter ondersteuning van de verwerving van door regels bestuurde combinaties in taalingangen1. Succesvol statistisch leervermogen bij zuigelingen voorspelt later succes met het leren van talen2,3. Variabiliteit in statistische leervaardigheden bij kinderen op school is ook geassocieerd met woordenschat4 en lezen5,6. Moeilijkheden bij statistisch leren is voorgesteld als één etiologisch mechanisme dat ten grondslag ligt aantaalstoornissen 7. Ondanks de associatie tussen statistisch leren en taalresultaten in zowel neurotypische als atypische populaties, blijven de cognitieve en neurale mechanismen die ten grondslag liggen aan statistisch leren slecht begrepen. Bovendien heeft eerdere literatuur aangetoond dat statistische leervermogen binnen een individu niet uniform is, maar onafhankelijk is tussen domeinen en modaliteiten6,8,9. Het ontwikkelingstraject van statistische leervaardigheden kan verder verschillen tussen domeinen en modaliteiten10. Deze bevindingen benadrukken het belang van het beoordelen van individuele verschillen in statistisch leren over meerdere taken in de loop van de ontwikkeling. Het veld vereist echter eerst een systematischer onderzoek naar de relatie tussen statistisch leren en de ontwikkeling van eerste talen. Om deze vragen aan te pakken, passen we innovatieve methoden toe, waaronder een webgebaseerd testplatform11 dat een groot aantal kinderen bereikt, en op laboratoriumgebaseerde neuroimagingtechnieken (functionele magnetische resonantiebeeldvorming, of fMRI) die de real-time codering van statistische informatie onderzoeken.

Standaardmaatregelen statistisch leren beginnen met een kennismakingsfase en worden gevolgd door een twee-alternatieve gedwongen keuze (2-AFC) taak12,13. De vertrouwdheidsfase introduceert een continue stroom van stimuli ingebed met statistische regelmaat, waar sommige stimuli meer kans hebben om samen te komen dan andere. De presentatie van deze co-voorkomende stimuli volgt een vaste temporele volgorde. Deelnemers worden passief blootgesteld aan de stroom tijdens de kennismakingsfase, gevolgd door een 2-AFC-taak die test of de deelnemer de patronen met succes heeft geëxtraheerd. De 2-AFC nauwkeurigheid taak presenteert twee opeenvolgende sequenties: een sequentie is gepresenteerd aan de deelnemer tijdens de kennismakingsfase, terwijl de andere is een nieuwe sequentie, of bevat een deel van de sequentie. Boven-kans nauwkeurigheid op de 2-AFC zou wijzen op succesvol leren op groepsniveau. Traditionele gedragstaken die statistisch leren beoordelen, vertrouwen over het algemeen op nauwkeurigheid als uitkomstmaat van leren. Echter, nauwkeurigheid niet rekening te houden met het natuurlijke leren van informatie als het zich ontvouwt in de tijd. Een zekere mate van real-time leren is noodzakelijk om gebruik te maken van het impliciete leerproces van statistisch leren waarbij kinderen nog steeds de regelmaat van de inputs14,15,,16coderen . Verschillende aanpassingen in paradigma’s zijn ontwikkeld in een poging om af te stappen van de 2-AFC maatregel, in de richting van maatregelen van on-line leren door middel van gedragsreacties tijdens de blootstelling16. Studies met behulp van deze aanpassingen die reactietijd meten tijdens de blootstellingsfase vonden dat ze gerelateerd waren aan post-learning nauwkeurigheid17 met een betere test-hertest betrouwbaarheid in vergelijking met die van de nauwkeurigheid bij volwassen lerenden18.

Neurale maatregelen zijn ook fundamenteel voor ons begrip van hoe leren zich ontvouwt in de tijd, als het impliciete proces waarmee het leren van talen optreedt waarschijnlijk werft verschillende neurale middelen van die gebruikt zodra taal wordt geleerd19. Neurale maatregelen bieden ook inzicht in verschillen in cognitieve specialisaties die ten grondslag liggen aan taalvaardigheid bij speciale populaties20. Hoe het conditiecontrast is ontworpen in een fMRI-studie is cruciaal voor hoe we patronen van neurale activering interpreteren tijdens het leren. Een veel voorkomende praktijk is het vergelijken van hersenreacties tijdens de kennismakingsfase tussen sequenties met regelmatige patronen versus die met dezelfde stimuli die willekeurig worden besteld. Echter, eerder onderzoek de uitvoering van een dergelijke willekeurige controle voorwaarde vond geen bewijs voor het leren in gedrag, ondanks neurale verschillen tussen gestructureerde en willekeurige sequenties. Dit kan te wijten zijn aan de interferentie van willekeurige sequenties bij het leren van gestructureerde sequenties, omdat beide werden opgebouwd uit dezelfde stimuli21,22. Andere fMRI studies die achterwaartse spraak of eerdere leerblokken gebruikt als de controle voorwaarde bevestigd leren vond plaats gedragsmatig19,23. Elk van deze paradigma’s introduceerde echter zijn eigen verstorende factor, zoals het effect van taalverwerking voor het eerste geval en het effect van de experimentele volgorde voor het laatste geval. Ons paradigma gebruikt de willekeurige volgorde als de controle voorwaarde, maar vermindert hun interferentie op de deelnemers ‘leren van de gestructureerde sequenties. Ons fMRI paradigma implementeert ook een gemengd blok / event-gerelateerde ontwerp, die het mogelijk maakt voor de gelijktijdige modellering van voorbijgaande trial-gerelateerde en duurzame taak-gerelateerde BOLD signalen24. Ten slotte, en meer in het algemeen, neurale maatregelen zorgen voor het meten van het leren in populaties waar het uitlokken van een expliciete gedragsreactie moeilijk kan zijn (bijvoorbeeld ontwikkelings- en speciale populaties)25.

Het huidige protocol neemt een responstijd maatregel, in aanvulling op de traditionele nauwkeurigheid maatregelen, en onderzoekt de hersenen activering tijdens de kennismakingsfase. De combinatie van deze methoden is bedoeld om een rijke dataset te bieden voor het onderzoek van real-time leerprocessen. Het webgebaseerde platform biedt een reeks leermaatregelen door zowel de responstijd tijdens de belichtingsfase als de nauwkeurigheid van de 2-AFC-taak tijdens de testfase op te nemen. Het neuroimaging protocol maakt het mogelijk voor het onderzoek van de onderliggende neurale mechanismen ter ondersteuning van statistisch leren over domeinen en modaliteiten. Hoewel het optimaal is om statistisch leren binnen een individu te meten met behulp van zowel de web-based en fMRI protocollen, de taken zijn zo ontworpen dat ze onafhankelijk kunnen worden verspreid, en dus, als twee onafhankelijke maatregelen van statistisch leren. De fMRI experimenten opgenomen in het huidige protocol kan helpen verduidelijken hoe stimulus codering, patroon extractie, en andere samenstellende componenten van statistisch leren worden vertegenwoordigd door bepaalde hersengebieden en netwerken.

Protocol

Alle deelnemers gaven schriftelijke toestemming om deel te nemen en de studie werd uitgevoerd in overeenstemming met de Institutional Review Board. 1. Overzicht van het statistisch leerparadigma dat wordt gebruikt in het webgebaseerde protocol Vier taken in het huidige paradigma opnemen: beeld (visueel-niet-linguïstisch), letter (visueel-linguïstisch), toon (auditief-niet-linguïstisch) en lettergreep (auditief-linguïstisch). Bouw stimuli voor visuele taken met behulp van …

Representative Results

Webgebaseerde gedragsresultatenGezien het huidige protocol is ontworpen voor eenvoudige verspreiding met ontwikkelingspopulaties, hebben we voorlopige webresultaten opgenomen op basis van gegevens van 22 ontwikkelende schoolgaande kinderen (Gemiddelde (M) leeftijd = 9,3 jaar, Standaarddeviatie (SD) leeftijd = 2,04 jaar, bereik = 6,2-12,6 jaar, 13 meisjes). In de op het web gebaseerde statistische leertaak presteerden kinderen op alle omstandigheden aanzienlijk beter dan 0,5 kansniveau, wat duidt op s…

Discussion

De methoden gepresenteerd in het huidige protocol bieden een multimodaal paradigma voor het begrijpen van de gedrags-en neurale indexen van statistische leren in de loop van de ontwikkeling. Het huidige ontwerp maakt het mogelijk om individuele verschillen in statistisch leervermogen tussen modaliteiten en domeinen te identificeren, die kunnen worden gebruikt voor toekomstig onderzoek naar de relatie tussen statistisch leren en taalontwikkeling. Aangezien het statistische leervermogen van een individu varieert tussen dom…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Wij danken Yoel Sanchez Araujo en Wendy Georgan voor hun bijdrage aan het oorspronkelijke ontwerp van het webgebaseerde platform. Wij danken An Nguyen en Violet Kozloff voor hun werk aan het verbeteren van de web-based statistische leertaken, het uitvoeren van de fMRI-taken en het besturen van de taken bij volwassen deelnemers. Wij danken Violet Kozloff en Parker Robbins voor hun bijdrage aan het bijstaan van het verzamelen van gegevens bij kinderen. Wij danken Ibrahim Malik, John Christopher, Trevor Wigal, en Keith Schneider in het Center for Biological and Brain Imaging aan de Universiteit van Delaware voor hun hulp bij neuroimaging data verzameling. Dit werk wordt deels gefinancierd door het Nationaal Instituut voor Doofheid en andere communicatiestoornissen (PI: Qi; NIH 1R21DC017576) en de National Science Foundation Directoraat sociale, gedrags- en economische wetenschappen (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

  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