Summary

Medición del aprendizaje estadístico a través de modalidades y dominios en niños en edad escolar a través de una plataforma en línea y técnicas de neuroimagen

Published: June 30, 2020
doi:

Summary

Aquí se presenta un protocolo que introduce un conjunto de tareas de aprendizaje estadístico amigables con los niños orientadas a examinar el aprendizaje de los niños de patrones estadísticos temporales en todos los dominios y modalidades sensoriales. Las tareas desarrolladas recopilan datos de comportamiento utilizando la plataforma basada en la web y datos de imágenes de resonancia magnética funcional (fMRI) basadas en tareas para examinar la interacción neuronal durante el aprendizaje estadístico.

Abstract

El aprendizaje estadístico, una habilidad fundamental para extraer regularidades en el medio ambiente, a menudo se considera un mecanismo de apoyo básico del primer desarrollo del lenguaje. Si bien muchos estudios de aprendizaje estadístico se llevan a cabo dentro de un único dominio o modalidad, la evidencia reciente sugiere que esta habilidad puede diferir en función del contexto en el que se presentan los estímulos. Además, pocos estudios investigan el aprendizaje a medida que se desarrolla en tiempo real, más bien centrándose en el resultado del aprendizaje. En este protocolo, describimos un enfoque para identificar la base cognitiva y neuronal del aprendizaje estadístico, dentro de un individuo, entre dominios (linguístico frente a no linguístico) y modalidades sensoriales (visuales y auditivas). Las tareas están diseñadas para lanzar la menor demanda cognitiva posible a los participantes, por lo que es ideal para niños jóvenes en edad escolar y poblaciones especiales. La naturaleza basada en la web de las tareas conductuales ofrece una oportunidad única para llegar a poblaciones más representativas a nivel nacional, estimar tamaños de efectos con mayor precisión y contribuir a la investigación abierta y reproducible. Las medidas neuronales proporcionadas por la tarea de resonancia magnética funcional (fMRI) pueden informar a los investigadores sobre los mecanismos neuronales involucrados durante el aprendizaje estadístico, y cómo estos pueden diferir entre individuos sobre la base de dominio o modalidad. Por último, ambas tareas permiten la medición del aprendizaje en tiempo real, ya que se realiza un seguimiento de los cambios en el tiempo de reacción a un estímulo objetivo a lo largo del período de exposición. La principal limitación del uso de este protocolo se relaciona con la duración de una hora del experimento. Es posible que los niños necesiten completar las cuatro tareas de aprendizaje estadístico en varias sesiones. Por lo tanto, la plataforma basada en la web está diseñada teniendo en cuenta esta limitación para que las tareas puedan difundirse individualmente. Esta metodología permitirá a los usuarios investigar cómo se desarrolla el proceso de aprendizaje estadístico a través y dentro de los dominios y modalidades en niños de diferentes orígenes del desarrollo.

Introduction

El aprendizaje estadístico es una habilidad elemental que apoya la adquisición de combinaciones gobernadas por reglas en las entradas de idioma1. La capacidad de aprendizaje estadístico exitosa en bebés predice el éxito posterior del aprendizaje de idiomas2,,3. La variabilidad en las habilidades de aprendizaje estadístico en niños en edad escolar también se ha asociado con el vocabulario4 y la lectura5,6. La dificultad en el aprendizaje estadístico se ha propuesto como un mecanismo etiológico subyacente al deterioro del lenguaje7. A pesar de la asociación entre el aprendizaje estadístico y los resultados del lenguaje en poblaciones neurotípicas y atípicas, los mecanismos cognitivos y neuronales subyacentes al aprendizaje estadístico siguen siendo poco comprendidos. Además, la literatura anterior ha revelado que, dentro de un individuo, la capacidad de aprendizaje estadístico no es uniforme sino independiente en todos los dominios y modalidades6,,8,,9. La trayectoria de desarrollo de las capacidades de aprendizaje estadístico puede variar aún más entre dominios y modalidades10. Estos hallazgos enfatizan la importancia de evaluar las diferencias individuales en el aprendizaje estadístico en múltiples tareas a lo largo del desarrollo. Sin embargo, el campo requiere primero una investigación más sistemática de la relación entre el aprendizaje estadístico y el desarrollo del primer lenguaje. Para abordar estas preguntas, aplicamos métodos innovadores, incluida una plataforma de pruebas basada en la web11 que llega a un gran número de niños, y técnicas de neuroimagen basadas en laboratorio (imágenes de resonancia magnética funcional o fMRI) que examinan la codificación en tiempo real de la información estadística.

Las medidas estándar del aprendizaje estadístico comienzan con una fase de familiarización y son seguidas por una tarea de opción forzada de dos alternativas (2-AFC)12,,13. La fase de familiarización introduce un flujo continuo de estímulos incrustados con regularidades estadísticas, donde algunos estímulos son más propensos a coexistir que otros. La presentación de estos estímulos co-ocurrentes sigue un orden temporal fijo. Los participantes se exponen pasivamente a la secuencia durante la fase de familiarización, seguida de una tarea 2-AFC que comprueba si el participante extrajo correctamente los patrones. La tarea de precisión 2-AFC presenta dos secuencias consecutivas: una secuencia se ha presentado al participante durante la fase de familiarización, mientras que la otra es una secuencia novedosa o contiene parte de la secuencia. La precisión por encima de la probabilidad en el 2-AFC indicaría un aprendizaje exitoso a nivel de grupo. Las tareas de comportamiento tradicionales que evalúan el aprendizaje estadístico generalmente se basan en la precisión como la medida final del aprendizaje. Sin embargo, la precisión no tiene en cuenta el aprendizaje natural de la información a medida que se desarrolla en el tiempo. Una medida de aprendizaje en tiempo real es necesaria para aprovechar el proceso de aprendizaje implícito del aprendizaje estadístico durante el cual los niños todavía están codificando las regularidades de las entradas14,15,16. Se han desarrollado varias adaptaciones a través de paradigmas en un esfuerzo por alejarse de la medida 2-AFC, hacia medidas de aprendizaje en línea a través de respuestas conductuales durante la exposición16. Los estudios que utilizan estas adaptaciones que miden el tiempo de reacción durante la fase de exposición encontraron que estaban relacionados con la precisión posterior al aprendizaje17 con una mejor fiabilidad de la prueba-reprueba en comparación con la precisión en los estudiantes adultos18.

Las medidas neuronales también son fundamentales para nuestra comprensión de cómo se desarrolla el aprendizaje con el tiempo, ya que el proceso implícito por el cual se produce el aprendizaje de idiomas probablemente recluta diferentes recursos neuronales de los utilizados una vez que se aprende el lenguaje19. Las medidas neuronales también proporcionan información sobre las diferencias en las especializaciones cognitivas subyacentes a la capacidad del lenguaje entre poblaciones especiales20. La forma en que se diseña el contraste de la condición en un estudio de fMRI es crucial para cómo interpretamos los patrones de activación neuronal durante el aprendizaje. Una práctica común es comparar las respuestas cerebrales durante la fase de familiarización entre secuencias que contienen patrones regulares frente a aquellos que contienen los mismos estímulos que se ordenan aleatoriamente. Sin embargo, investigaciones anteriores que implementan una condición de control aleatorio no encontraron evidencia para el aprendizaje en el comportamiento, a pesar de las diferencias neuronales entre secuencias estructuradas y aleatorias. Esto podría deberse a la interferencia de secuencias aleatorias en el aprendizaje de secuencias estructuradas, ya que ambas fueron construidas a partir de los mismos estímulos21,22. Otros estudios fMRI que utilizaron el habla atrasada o bloques de aprendizaje anteriores como la condición de control confirmó que el aprendizaje tuvo lugar conductualmente19,,23. Sin embargo, cada uno de estos paradigmas introdujo su propio factor de confusión, como el efecto del procesamiento del lenguaje para el primer caso y el efecto del orden experimental para este último caso. Nuestro paradigma utiliza la secuencia aleatoria como condición de control, pero mitiga su interferencia en el aprendizaje de los participantes de las secuencias estructuradas. Nuestro paradigma fMRI también implementa un diseño mixto relacionado con bloques/eventos, que permite el modelado simultáneo de señales BOLD relacionadas con pruebas transitorias y sostenidas24. Por último, y más ampliamente, las medidas neuronales permiten la medición del aprendizaje en poblaciones donde la provocación de una respuesta conductual explícita puede ser difícil (por ejemplo, poblaciones especiales y de desarrollo)25.

El protocolo actual adopta una medida de tiempo de respuesta, además de las medidas de precisión tradicionales, y examina la activación cerebral durante la fase de familiarización. La combinación de estos métodos tiene como objetivo proporcionar un conjunto de datos enriquecido para la investigación de procesos de aprendizaje en tiempo real. La plataforma basada en la web ofrece un conjunto de medidas de aprendizaje al incluir tanto el tiempo de respuesta durante la fase de exposición como la precisión de la tarea 2-AFC durante la fase de prueba. El protocolo de neuroimagen permite la investigación de los mecanismos neuronales subyacentes que apoyan el aprendizaje estadístico en todos los dominios y modalidades. Si bien es óptimo medir el aprendizaje estadístico dentro de un individuo utilizando los protocolos basados en la web y fMRI, las tareas están diseñadas para que puedan ser difundidas de forma independiente, y por lo tanto, como dos medidas independientes de aprendizaje estadístico. Los experimentos fMRI incluidos en el protocolo actual pueden ayudar a aclarar cómo la codificación de estímulo, la extracción de patrones y otros componentes constitutivos del aprendizaje estadístico están representados por determinadas regiones y redes cerebrales.

Protocol

Todos los participantes dieron su consentimiento por escrito para participar y el estudio se llevó a cabo de conformidad con la Junta de Revisión Institucional. 1. Visión general del paradigma de aprendizaje estadístico utilizado en el protocolo basado en la web Incluya cuatro tareas en el paradigma actual: imagen (visual-no linguística), letra (visual-linguística), tono (auditivo-no linguístico) y sílaba (auditivo-linguístico). Construir estímulos para tareas visua…

Representative Results

Resultados de comportamiento basados en la WebDado que el protocolo actual está diseñado para una fácil difusión con las poblaciones del desarrollo, hemos incluido resultados preliminares basados en la web basados en datos de 22 niños en edad escolar en desarrollo (edad media (M) de edad a 9,3 años, desviación estándar (SD) edad – 2,04 años, rango de 6,2-12,6 años, 13 niñas). En la tarea de aprendizaje estadístico basada en la web, los niños tuvieron un desempeño significativamente mejo…

Discussion

Los métodos presentados en el protocolo actual proporcionan un paradigma multimodal para entender los índices conductuales y neuronales del aprendizaje estadístico a lo largo del curso del desarrollo. El diseño actual permite la identificación de diferencias individuales en la capacidad de aprendizaje estadístico entre modalidades y dominios, que se pueden utilizar para la investigación futura de la relación entre el aprendizaje estadístico y el desarrollo del lenguaje. Dado que la capacidad de aprendizaje estad…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Agradecemos a Yoel Sanchez Araujo y Wendy Georgan por su contribución en el diseño inicial de la plataforma basada en la web. Agradecemos a An Nguyen y Violet Kozloff por su trabajo en la mejora de las tareas de aprendizaje estadístico basadas en la web, la implementación de las tareas fMRI y el pilotaje de las tareas en participantes adultos. Agradecemos a Violet Kozloff y Parker Robbins por su contribución en la ayuda a la recopilación de datos en niños. Agradecemos a Ibrahim Malik, John Christopher, Trevor Wigal y Keith Schneider en el Centro de Imágenes Biológicas y Cerebrales de la Universidad de Delaware por su asistencia en la recopilación de datos de neuroimagen. Este trabajo es financiado en parte por el Instituto Nacional de Sordera y otros Trastornos de la Comunicación (PI: Qi; NIH 1R21DC017576) y la Dirección de Ciencias Sociales, Conductuales y Económicas de la Fundación Nacional de Ciencias Sociales, Conductuales y Económicas (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