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

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 voraus^2,3. Die Variabilität der statistischen Lernfähigkeiten bei Kindern im schulischen Alter wurde auch mit Wortschatz⁴ und Lesen^5,6in 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 Modalitäten^6,8,9ist. 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 Testplattform^11, 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) Aufgabe^12,13. 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 Eingaben^14,15,16kodieren. 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 wurden^21,22. Andere fMRI-Studien, die Rückwärtssprache oder frühere Lernblöcke als Kontrollbedingung bestätigt lernen verwendet wurde, fanden verhaltensbedingt^{statt 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.