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

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 langues^2,3. La variabilité des compétences d’apprentissage statistique chez les enfants d’âge scolaire a également été associée au vocabulaire⁴ et à la lecture^5,6. 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 modalités^6,8,9. 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 entrées^14,15,16. 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 stimuli^21,22. 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 comportementalement^19,23. 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.