Summary

Messung des statistischen Lernens über Modalitäten und Domänen in Kindern im schulalterten Alter über eine Online-Plattform und Neuroimaging-Techniken

Published: June 30, 2020
doi:

Summary

Hier wird ein Protokoll vorgestellt, das eine Reihe kinderfreundlicher statistischer Lernaufgaben einführt, die darauf ausgerichtet sind, das Lernen von zeitlichen statistischen Mustern von Kindern in verschiedenen Bereichen und sensorischen Modalitäten zu untersuchen. Die entwickelten Aufgaben sammeln Verhaltensdaten mithilfe der webbasierten Plattform und der aufgabenbasierten funktionellen Magnetresonanztomographie (fMRI) zur Untersuchung des neuronalen Engagements während des statistischen Lernens.

Abstract

Statistisches Lernen, eine grundlegende Fähigkeit, Regelmäßigkeiten in der Umwelt zu extrahieren, wird oft als ein zentraler unterstützender Mechanismus der ersten Sprachentwicklung betrachtet. Während viele Studien über statistisches Lernen innerhalb eines einzigen Bereichs oder einer einzigen Modalität durchgeführt werden, deuten jüngste Erkenntnisse darauf hin, dass diese Fähigkeit je nach Kontext, in dem die Reize dargestellt werden, unterschiedlich sein kann. Darüber hinaus untersuchen nur wenige Studien das Lernen, wie es sich in Echtzeit entfaltet, und konzentrieren sich eher auf das Ergebnis des Lernens. In diesem Protokoll beschreiben wir einen Ansatz zur Identifizierung der kognitiven und neuronalen Grundlagen des statistischen Lernens innerhalb eines Individuums, über Domänen (linguistische vs. nicht-linguistische) und sensorische Modalitäten (visuell und auditiv). Die Aufgaben sind so konzipiert, dass sie so wenig kognitive Nondien wie möglich auf die Teilnehmer ausrichten, was sie ideal für junge Kinder im schulischen Alter und spezielle Bevölkerungsgruppen macht. Die webbasierte Natur der Verhaltensaufgaben bietet uns eine einzigartige Gelegenheit, bundesweit repräsentativere Populationen zu erreichen, Effektgrößen genauer zu schätzen und zur offenen und reproduzierbaren Forschung beizutragen. Die neuronalen Maßnahmen, die durch die funktionale Magnetresonanztomographie (fMRI) bereitgestellt werden, können Forscher über die neuronalen Mechanismen informieren, die während des statistischen Lernens eingesetzt werden, und wie diese sich je nach Domäne oder Modalität von Person zu Person unterscheiden können. Schließlich ermöglichen beide Aufgaben die Messung des Echtzeit-Lernens, da Änderungen der Reaktionszeit zu einem Zielreiz über den Expositionszeitraum nachverfolgt werden. Die Hauptbeschränkung der Verwendung dieses Protokolls bezieht sich auf die einstündige Dauer des Experiments. Kinder müssen möglicherweise alle vier statistischen Lernaufgaben in mehreren Sitzungen absolvieren. Daher ist die webbasierte Plattform unter Berücksichtigung dieser Einschränkung so konzipiert, dass Aufgaben individuell verbreitet werden können. Diese Methode wird es den Nutzern ermöglichen, zu untersuchen, wie sich der Prozess des statistischen Lernens in und innerhalb von Domänen und Modalitäten bei Kindern mit unterschiedlichem Entwicklungshintergrund entwickelt.

Introduction

Statistisches Lernen ist eine elementare Fähigkeit, die den Erwerb regelgesteuerter Kombinationen in Spracheingaben unterstützt1. Erfolgreiche statistische Lernfähigkeit bei Säuglingen sagt späteren Erfolg beim Erlernen von Sprachen voraus2,3. Die Variabilität der statistischen Lernfähigkeiten bei Kindern im schulischen Alter wurde auch mit Wortschatz4 und Lesen5,6in Verbindung gebracht. Schwierigkeiten beim statistischen Lernen wurden als ein ätiologischer Mechanismus vorgeschlagen, der der Sprachbeeinträchtigung zugrunde liegt7. Trotz des Zusammenhangs zwischen statistischem Lernen und Sprachergebnissen in neurotypischen und atypischen Populationen sind die kognitiven und die neuronalen Mechanismen, die dem statistischen Lernen zugrunde liegen, nach wie vor schlecht verstanden. Darüber hinaus hat frühere Literatur gezeigt, dass innerhalb eines Individuums statistische Lernfähigkeit nicht einheitlich, sondern unabhängig zwischen Domänen und Modalitäten6,8,9ist. Der Entwicklungspfad der statistischen Lernfähigkeiten kann je nach Bereich und Modalitäten weiter variieren10. Diese Ergebnisse unterstreichen, wie wichtig es ist, die individuellen Unterschiede im statistischen Lernen über mehrere Aufgaben hinweg im Laufe der Entwicklung zu bewerten. Der Bereich erfordert jedoch zunächst eine systematischere Untersuchung des Zusammenhangs zwischen statistischem Lernen und Erstsprachenentwicklung. Um diese Fragen zu beantworten, wenden wir innovative Methoden an, einschließlich einer webbasierten Testplattform11, die eine große Anzahl von Kindern erreicht, und laborbasierten Neuroimaging-Techniken (funktionelle Magnetresonanztomographie oder fMRI), die die Echtzeitkodierung statistischer Informationen untersuchen.

Standardmaße des statistischen Lernens beginnen mit einer Einarbeitungsphase und folgen auf eine zweialternative Zwangswahl (2-AFC) Aufgabe12,13. Die Einarbeitungsphase führt einen kontinuierlichen Strom von Reizen ein, der mit statistischen Regelmäßigkeiten eingebettet ist, wo einige Reize eher mitauftreten als andere. Die Darstellung dieser mitgehenden Reize folgt einer festen zeitlichen Reihenfolge. Die Teilnehmer werden während der Einarbeitungsphase passiv dem Stream ausgesetzt, gefolgt von einer 2-AFC-Aufgabe, die testet, ob der Teilnehmer die Muster erfolgreich extrahiert hat. Die 2-AFC-Genauigkeitsaufgabe stellt zwei aufeinander folgende Sequenzen dar: Eine Sequenz wurde dem Teilnehmer während der Einarbeitungsphase präsentiert, während die andere eine neue Sequenz ist oder einen Teil der Sequenz enthält. Eine Über-Chance-Genauigkeit auf dem 2-AFC würde auf erfolgreiches Lernen auf Gruppenebene hindeuten. Herkömmliche Verhaltensaufgaben zur Bewertung des statistischen Lernens basieren im Allgemeinen auf Genauigkeit als Ergebnismaß des Lernens. Die Genauigkeit berücksichtigt jedoch nicht das natürliche Lernen von Informationen, wie sie sich in der Zeit entfalten. Ein Maß für das Lernen in Echtzeit ist notwendig, um den impliziten Lernprozess des statistischen Lernens zu nutzen, bei dem die Kinder noch die Regelmäßigkeiten aus den Eingaben14,15,16kodieren. Verschiedene Paradigmenanpassungen wurden entwickelt, um von der 2-AFC-Maßnahme wegzukommen, hin zu Maßnahmen des Online-Lernens durch Verhaltensreaktionen während der Exposition16. Studien, die diese Anpassungen nutzten, die die Reaktionszeit während der Expositionsphase messen, ergaben, dass sie mit der Genauigkeit nach dem Lernen17 zusammenhängten, mit einer besseren Test-Retest-Zuverlässigkeit im Vergleich zu der Genauigkeit bei erwachsenen Lernenden18.

Neuronale Maßnahmen sind auch grundlage für unser Verständnis, wie sich das Lernen im Laufe der Zeit entwickelt, da der implizite Prozess, durch den das Erlernen von Sprachen stattfindet, wahrscheinlich andere neuronale Ressourcen rekrutiert als die, die verwendet werden, sobald die Sprache erlernt wird19. Neuronale Messungen liefern auch Einblicke in Unterschiede in kognitiven Spezialisierungen, die der Sprachfähigkeit in speziellen Populationen zugrunde liegen20. Wie der Zustandskontrast in einer fMRI-Studie gestaltet wird, ist entscheidend dafür, wie wir Muster der neuronalen Aktivierung während des Lernens interpretieren. Eine gängige Praxis ist es, Gehirnreaktionen während der Eingewöhnungsphase zwischen Sequenzen zu vergleichen, die reguläre Muster enthalten, mit solchen, die die gleichen Reize enthalten, die nach dem Zufallsprinzip angeordnet werden. Jedoch, frühere Forschung enden eine solche zufällige Kontrollbedingung fand keine Beweise für das Lernen im Verhalten, trotz neuronaler Unterschiede zwischen strukturierten und zufälligen Sequenzen. Dies könnte auf die Interferenz von zufallsseitig beim Erlernen strukturierter Sequenzen zurückzuführen sein, da beide aus den gleichen Reizen konstruiert wurden21,22. Andere fMRI-Studien, die Rückwärtssprache oder frühere Lernblöcke als Kontrollbedingung bestätigt lernen verwendet wurde, fanden verhaltensbedingtstatt 19,23. Jedes dieser Paradigmen führte jedoch seinen eigenen verwirrenden Faktor ein, wie die Wirkung der Sprachverarbeitung für den erstgenannten Fall und die Wirkung der experimentellen Ordnung für den letztgenannten Fall. Unser Paradigma verwendet die zufällige Sequenz als Kontrollbedingung, mindert aber deren Einmischung auf das Erlernen der strukturierten Sequenzen der Teilnehmer. Unser fMRI-Paradigma implementiert auch ein gemischtes Block-/Ereignis-Design, das die gleichzeitige Modellierung von transienten versuchsbezogenen und nachhaltigen aufgabenbezogenen BOLD-Signalen ermöglicht24. Schließlich und im weiteren Sinne ermöglichen neuronale Maßnahmen die Messung des Lernens in Populationen, in denen es schwierig sein kann, eine explizite Verhaltensreaktion auszulösen (z. B. Entwicklungs- und Spezialpopulationen)25.

Das aktuelle Protokoll nimmt zusätzlich zu den herkömmlichen Genauigkeitsmessungen eine Reaktionszeitmessung an und untersucht die Gehirnaktivierung während der Einarbeitungsphase. Die Kombination dieser Methoden zielt darauf ab, einen reichen Datensatz für die Untersuchung von Echtzeit-Lernprozessen bereitzustellen. Die webbasierte Plattform bietet eine Reihe von Lernmaßnahmen, indem sowohl die Reaktionszeit während der Belichtungsphase als auch die Genauigkeit der 2-AFC-Aufgabe während der Testphase einbezogen werden. Das Neuroimaging-Protokoll ermöglicht die Untersuchung der zugrunde liegenden neuronalen Mechanismen, die statistisches Lernen über Domänen und Modalitäten hinweg unterstützen. Während es optimal ist, statistisches Lernen innerhalb einer Person anhand der webbasierten und fMRI-Protokolle zu messen, sind die Aufgaben so konzipiert, dass sie unabhängig und damit als zwei unabhängige Maßnahmen des statistischen Lernens verbreitet werden können. Die im aktuellen Protokoll enthaltenen fMRI-Experimente können helfen zu klären, wie Stimuluscodierung, Musterextraktion und andere Bestandteile des statistischen Lernens durch bestimmte Hirnregionen und Netzwerke dargestellt werden.

Protocol

Alle Teilnehmer gaben ihre schriftliche Zustimmung zur Teilnahme und das Studium wurde in Übereinstimmung mit dem Institutional Review Board durchgeführt. 1. Überblick über das statistische Lernparadigma, das im webbasierten Protokoll verwendet wird Beziehen Sie vier Aufgaben in das aktuelle Paradigma ein: Bild (visuell-nichtlinguistisch), Buchstabe (visuell-linguistisch), Ton (hörbar-nichtlinguistisch) und Silbe (hörlich-linguistisch). Konstruieren Sie Reize für visue…

Representative Results

Webbasierte VerhaltensergebnisseDa das aktuelle Protokoll für eine einfache Verbreitung mit Entwicklungspopulationen konzipiert ist, haben wir vorläufige webbasierte Ergebnisse auf der Grundlage von Daten von 22 sich entwickelnden Kindern im schulpflichtigen Alter (Mittelalter (M) = 9,3 Jahre, Standardabweichung (SD) Alter = 2,04 Jahre, Bereich = 6,2-12,6 Jahre, 13 Mädchen) aufgenommen. Bei der webbasierten statistischen Lernaufgabe schnitten die Kinder unter allen Bedingungen deutlich besser ab a…

Discussion

Die im aktuellen Protokoll vorgestellten Methoden bieten ein multimodales Paradigma zum Verständnis der Verhaltens- und neuronalen Indizes des statistischen Lernens im Laufe der Entwicklung. Das derzeitige Design ermöglicht die Identifizierung individueller Unterschiede in der statistischen Lernfähigkeit über Modalitäten und Domänen hinweg, die für die zukünftige Untersuchung des Zusammenhangs zwischen statistischem Lernen und Sprachentwicklung verwendet werden können. Da die statistischen Lernfähigkeiten eines…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Wir danken Yoel Sanchez Araujo und Wendy Georgan für ihren Beitrag zum ersten Design der webbasierten Plattform. Wir danken An Nguyen und Violet Kozloff für ihre Arbeit zur Verbesserung der webbasierten statistischen Lernaufgaben, zur Umsetzung der fMRI-Aufgaben und zur Pilotierung der Aufgaben bei erwachsenen Teilnehmern. Wir danken Violet Kozloff und Parker Robbins für ihren Beitrag zur Unterstützung der Datenerfassung bei Kindern. Wir danken Ibrahim Malik, John Christopher, Trevor Wigal und Keith Schneider vom Center for Biological and Brain Imaging der University of Delaware für ihre Unterstützung bei der Datenerfassung von Neuroimaging. Diese Arbeit wird zum Teil vom National Institute on Deafness and other Communication Disorders (PI: Qi; NIH 1R21DC017576) und der 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.

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