通过在线平台和神经成像技术测量学龄儿童跨模式和领域的统计学习

这里介绍的是一套议定书，其中介绍了一套适合儿童的统计学习任务，旨在检查儿童对跨领域和感官模式的时间统计模式的学习。开发的任务使用基于 Web 的平台和基于任务的功能磁共振成像 （fMRI） 数据收集行为数据，用于在统计学习期间检查神经参与度。

统计学习是一种在环境中提取规律的基本技能，通常被认为是第一语言发展的核心支持机制。虽然许多统计学习的研究是在单一领域或模式内进行的，但最近有证据表明，这种技能可能因提出刺激的背景而有所不同。此外，很少有研究会实时调查学习过程，而要关注学习的结果。在该协议中，我们描述了一种在个人内部跨领域（语言与非语言）和感官模式（视觉和听觉）中识别统计学习的认知和神经基础的方法。这些任务旨在尽可能减少参与者的认知需求，使其非常适合年轻的学龄儿童和特殊人群。行为任务的基于网络的性质为我们提供了一个独特的机会，可以覆盖全国更具代表性的人口，更精确地估计效果大小，并为开放和可重复的研究做出贡献。功能磁共振成像 （fMRI） 任务提供的神经测量可以告知研究人员统计学习过程中的神经机制，以及这些机制在域或模式的基础上，个体之间有何不同。最后，这两项任务都允许测量实时学习，因为在整个暴露期跟踪目标刺激反应时间的变化。使用本协议的主要限制与实验的时长有关。儿童可能需要在多次坐姿中完成所有四个统计学习任务。因此，基于 Web 的平台的设计铭记这一限制，以便可以单独分发任务。这种方法将使用户能够调查统计学习过程如何跨越不同发展背景的儿童的域和模式展开。

统计学习是一项基本技能，支持在语言输入1中获取规则^{控制的组合}。婴儿成功的统计学习能力预测以后的语言学习成功^2,2，3。学龄儿童统计学习技能的变异性也与词汇4和阅读^{,45、6有关}。统计学习的困难被提出为语言障碍的病因机制之^一。尽管在神经典型和非典型人群中，统计学习与语言结果之间关联，但统计学习背后的认知和神经机制仍然缺乏了解。此外，以往的文献显示，在个人内部，统计学习能力并不统一，而是^,跨^{领域和模式6、8、9,8而独立的}。统计学习能力的发展轨迹可能因领域和方式^{10而进一步不同}。这些发现强调了在整个发展过程中评估统计学习中个体差异的重要性。然而，该领域首先需要更系统地调查统计学习与第一语言发展之间的关系。为了解决这些问题，我们应用了创新方法，包括覆盖大量儿童的基于 Web 的测试平台^11，以及基于实验室的神经成像技术（功能磁共振成像或 fMRI），用于检查统计信息的实时编码。

统计学习的标准度量从熟悉阶段开始，然后是双选强制选择（2-AFC）任务^{12，13。12,}熟悉阶段引入了一个与统计规律相关的连续刺激流，其中一些刺激比另一些刺激更可能共同发生。这些共同发生的刺激的呈现遵循一个固定的时间顺序。在熟悉阶段，参与者被动地暴露在流中，然后是 2-AFC 任务，用于测试参与者是否成功提取了模式。2-AFC 精度任务呈现两个连续序列:一个序列在熟悉阶段呈现给参与者，而另一个序列是新颖序列，或包含序列的一部分。2-AFC 的偶然精度高于此，表明在小组层面学习成功。评估统计学习的传统行为任务通常依赖于准确性作为学习的结果衡量标准。然而，准确性不能解释信息在时间中展开时的自然学习。实时学习的衡量标准是必要的，以利用统计学习的隐性学习过程，在此期间，儿童仍然编码从^{输入14，15，16,15,的规律}。为了从2-AFC措施转向通过曝光期间的行为反应进行在线学习的测量，已经开发了各种模式^的适应。利用这些适应测量暴露阶段反应时间的研究发现，与^{成人学习者18}的准确度相比，这些适应与学习后准确性¹⁷有关，测试可靠性更高。

神经测量也是我们理解学习如何随着时间而展开的基础，因为语言学习的隐性过程可能从语言学习后从使用的神经资源中招募^{不同的神经资源}。神经测量也提供了对认知专业基础语言能力的差异的见解，在特殊群体^20。fMRI 研究中如何设计条件对比度对于我们如何在学习期间解释神经激活模式至关重要。一个常见的做法是比较大脑反应在熟悉阶段包含常规模式的序列和那些包含随机排序的相同刺激的序列之间。然而，尽管结构化序列和随机序列之间的神经差异，但之前实施这种随机控制条件的研究没有发现行为学习的证据。这可能是由于随机序列对结构化序列学习的干扰，因为两者都是从同一刺激^{21，22,构造的}。其他利用后语音或早期学习块作为控制条件确认学习的fMRI研究在行为上^{进行了19，23。,23}然而，这些范式都引入了其自身的混淆因素，例如语言处理对前一种情况的影响以及后一种情况的实验顺序的影响。我们的范例使用随机序列作为控制条件，但减轻了它们对参与者学习结构化序列的干扰。我们的 fMRI 范式还实现了混合块/事件相关设计，允许同时建模瞬态试验相关和持续任务相关的 BOLD 信号²⁴。最后，更广泛地说，神经测量允许测量在引起明确的行为反应可能难以（如发育和特殊人群）的人群中的学习测量^25。

目前的协议除了采用传统的精度测量外，还采用响应时间测量，并在熟悉阶段检查大脑激活。这些方法的组合旨在为实时学习过程的调查提供丰富的数据集。基于 Web 的平台通过将暴露阶段的响应时间和测试阶段 2-AFC 任务的准确性两个时间都包括在一起，提供了一套学习措施。神经成像协议允许研究支持跨领域和模式的统计学习的基础神经机制。虽然使用基于 Web 和 fMRI 的协议衡量个人内部的统计学习是最佳方法，但设计这些任务是为了能够独立传播，因此，作为统计学习的两个独立衡量标准。当前协议中包含的 fMRI 实验有助于澄清统计学习的刺激编码、模式提取和其他组成成分如何由特定的大脑区域和网络表示。

所有与会者都给予书面同意参加，并按照机构审查委员会进行研究。

1. 网络协议中使用的统计学习模式概述

1. 在当前范式中包括四个任务:图像（视觉语言）、字母（视觉语言）、音调（听觉-非语言学）和音节（听觉语言）。
   1. 使用 12 个独立的外星卡通图像（图像）和 12 个字母图像（字母;B、 J 、 K 、 A 、 H 、 C 、 F 、 E 、 J 、 G 、 D 、 M） 显示同一个外星人举着 12 个标志， 上写大写字母。
   2. 使用 12 个英语音节（音节;pi、pu、pa、ti、tu.ta、di、du、da、bi、bu、ba）和同一八度音（音;F，G，D，G#，C#，B，C，F#，D#，E，A，A#）。音节刺激可以使用人工语音合成器进行，并可以记录为单独的文件在Praat^{26，27。,27}
2. 在熟悉阶段，在结构化流中呈现刺激（参见 图 1）。在熟悉或测试阶段，不在任何时间点提供反馈。
   注:在每个任务中，熟悉阶段紧接着是测试阶段。
   1. 对于图像（视觉-非语言）任务，将 12 个图像结构为四个目标三胞胎。在熟悉阶段，重复四个目标三胞胎24次，共96个三胞胎。
      注:96个三胞胎被随机串联成一个连续的流，其约束是，没有三胞胎可以立即重复。图像在屏幕中心一次显示一个图像。每个图像的显示为 800 ms，间隔间隔为 200 ms。整个熟悉阶段将持续4分48秒。
   2. 确保测试阶段始终遵循熟悉阶段，并由 32 个双选强制选择 （2AFC） 问题组成。对于每个问题，包括两个选项:一个目标三胞胎从熟悉阶段和三胞胎，不包括在熟悉阶段，被称为箔三胞胎。
      注:箔三胞胎的构造使箔三胞胎中每个图像的相对位置与目标三胞胎相同。每个目标和箔三胞胎在测试中总共显示8倍，每个箔靶对重复。测试阶段包括32个（4个目标三胞胎x4箔三胞胎x2重复）随机排序试验。
   3. 对于字母（视觉语言）任务包括 12 张大写字母的图像，它们被组织成四个目标三胞胎（GJA、FKC、LBE 和 MDH）。 对于测试阶段，创建 4 个箔三胞胎（GDE、FJH、LKA 和 MBC），并将它们与目标三胞胎配对，形成 32 2AFC 试验。任何字母三胞胎都不包含任何单词、常用首字母缩略词或首字母缩写。
   4. 对于音调（听觉非语言）任务包括同一八度音阶中的 12 个音乐纯音（从中间 C 开始的全色阶），并将它们串联成四个目标三胞胎（F#DE、ABC、C#A#F 和 GD#G#）。与视觉任务不同，由于听觉感知偏好^6、28、29的差异^{，演示速度更快}。
      注:四个目标三胞胎在总共192个三胞胎中重复48次（是视觉条件的两倍）。所有三胞胎都串联成声流，没有三胞胎连续重复两次。当参与者查看空白屏幕时，一次显示一个纯色调。每个音调的持续时间为 460 ms，间隔为 20 ms。整个流持续约4分钟和36秒。与视觉任务一样，32 个 2AFC 试验的测试阶段，包括目标三胞胎和箔三胞胎（F#BF、AA#G#、C#D#E、GDC），紧跟在熟悉阶段之后。
   5. 对于音节（听觉语言）任务，使用 12 个辅音元音 （CV） 音节创建并分组为四个目标三胞胎（pa-bi-ku、go-la-tu、da-ro-pi 和 ti-bu-do）。每个音节的持续时间和间隔间隔与音调条件相同。在测试阶段，将四个箔三胞胎（pa-ro-do、go-bu-ku、da-bi-tu 和 ti-la-pi）与目标三胞胎配对。
3. 随机化参与者中四个统计学习任务的顺序。

2. 参与者招聘

注意:虽然基于 Web 的协议和 fMRI 协议最好在单个参与者中一起实现，但在这里，我们简要概述了每个任务的参与者招募的最佳实践。

1. 基于 Web 的参与者招聘
   1. 招募6岁及6岁或以上的参与者。任何性别、种族和族裔的参与者可以参加;然而，研究样本应代表人口。
   2. 招募以英语为母语且在 5 岁之前除英语以外的任何语言的学员。
   3. 确保他们报告没有已知的心理（包括添加，抑郁症，PTSD和临床焦虑）和/或神经系统疾病（包括中风，癫痫发作，脑肿瘤，或封闭的头部受伤）。
   4. 确保参与者有正常或矫正到正常视力（眼镜或触点正常）、正常彩色视力和正常听力（无助听器或人工耳蜗植入装置）。
2. 基于任务的 fMRI 参与者招聘
   1. 招募6岁及6岁或以上的参与者。任何性别、种族和族裔的参与者可以参加;然而，研究样本应代表人口。
   2. 要符合资格，请招募以英语为母语且在 5 岁之前从未接触过英语以外的任何语言的参与者。
   3. 招募没有已知心理（包括添加、抑郁、PTSD 和临床焦虑）和神经系统疾病（包括中风、癫痫发作、脑肿瘤或闭合性头部损伤）的右手个体。
   4. 不包括怀孕、幽闭恐惧症、服用精神活性药物或体内有任何金属（包括心脏起搏器、神经植入物、金属板或关节、弹片和手术钉）的参与者。
   5. 确保参与者有正常或矫正到正常视力（眼镜或触点正常）、正常彩色视力和正常听力（无助听器或人工耳蜗植入装置）。
   6. 通过让参与者（或父母（如果参与者是未成年人）填写 MRI 安全筛查表，确定参与 MRI 的资格。

3. 基于 Web 的协议

注:基于网络的统计学习范式托管在一个安全的网站（https://www.cogscigame.co^11）上，并使用jasPsych开发，这是一个JavaScript库，用于创建在线^{30的行为实验}。

1. 要重现任务，请转到 DOI:10.5281/zenodo.3820620。所有脚本和材料都公开提供。只要适当设置了输出文件的所有路径，研究人员就可以修改脚本并在任何 Web 浏览器上本地运行实验。
2. 让学员完成一个封面任务，告诉他们在每个统计学习任务的所有熟悉阶段看到某个目标时按下一个按钮。
3. 每个任务的目标刺激分配
   1. 在图像、字母和音节任务中，随机选择四个三胞胎之一，并将目标分配给三胞胎的第三个刺激。在基调任务中，将目标刺激仅限制为三胞胎中第三个刺激的最低或最高音调，并将目标分配给三胞胎的第三个刺激。这是因为语气刺激比其他类型的刺激更难区分。
   2. 在音节和音调任务中，向参与者介绍一个外星人和最喜欢的单词/音符在其外星语言/民间音乐。告诉参与者，他们将听外星人的语言/音乐，并记住按空格键，每当他们听到最喜欢的单词/笔记"通过删除之间的空格/和笔记。
   3. 在图像任务中，告诉参与者跟踪一个特殊的外星人，因为一群外星人排队进入宇宙飞船。在信件任务中，告诉参与者在外星人举着游行标志时跟踪外星人最喜欢的标志。在图像和信件任务中为学员提供实践试验。
   4. 不要提供有关三胞胎存在的明确说明。
   5. 测量视觉任务中的 24 个试验和听觉任务中的 48 个试验的响应时间，以评估在线学习。
   6. 在测试阶段，目标（包括在熟悉阶段）和箔三胞胎（不包括在熟悉阶段）都呈现给参与者。指导学员选择其中哪一个与他们在熟悉阶段看到或听到的更相似。每个试验都必须以响应结束。
4. 基于网络的协议中统计学习的行为测量
   1. 通过反应时间的线性斜率（在整个熟悉阶段的反应时间变化）测量熟悉阶段期间的实时学习。
   2. 要被视为对目标的有效响应，请检查键压必须在目标刺激之前的一个刺激和一个刺激的时间窗口。这是 -480 ms 到 +960 ms 相对于听觉任务中目标的开始和 -1000 ms 到 +2000 ms 的视觉任务。目标前的键压被视为预期，因此会产生负反应时间。
   3. 要比较不同条件下的反应时间，请将每个任务的每个参与者的反应时间转换为 z 分数。这会规范化个人的反应时间，以便可以比较跨任务的分数。
   4. 使用线性回归计算每个参与者的反应时间斜率。将 z 规范反应时间输入为因变量，将目标试验顺序输入为独立变量（视觉:1 到 24;听觉:1 到 48）。线性回归线的斜率（Beta 系数/估计）是反应时间斜率（RT 斜率）。
   5. 通过将正确试验的数量除以试验阶段（32 个试验）总数，测量每个参与者对每种条件的离线准确性。

4. 基于任务的 fMRI 协议

1. 对统计学习范式（图2）的修改。
   1. 对于每个任务，同时显示结构化序列（包含统计规律）和随机序列（无统计规律）。
      注:结构化序列与基于 Web 的协议中描述的序列相同（参见图 1）。相比之下，随机序列包含与结构化序列中相同的 12 个刺激，但按伪随机顺序排列。任何三种刺激的组合不会重复不止一次。
   2. 将每个序列划分为六个长度相等的较小块（视觉任务的 24 个刺激，听觉任务的 48 个刺激）。
   3. 以伪随机顺序串联三个结构化块、3 个随机块和 6 个静止块（空白屏幕的静默），以创建 4 个听觉刺激和 4 次视觉刺激运行。为了最大限度地了解结构化序列，请确保每次运行中的随机块包含与结构化序列不同的域（例如，音节结构化序列与一次运行中的音调随机序列一起呈现，音节随机序列与另一次运行中的音节结构化序列一起呈现）。
   4. 包括每次运行中要显示的 288 张图像，其视觉任务持续约 4.77 分钟。包括 576 声音，将在持续约 4.42 分钟的听觉任务中呈现。在每个块的开头，用口头和视觉探针显示有关目标的提示:"现在收听/查找 [TARGET]"。
   5. 在可视化任务的四次运行中，确保两个包含结构化的图像序列，另外两个包含结构化的字母序列。在听觉任务的四次运行中，确保两个包含音节的结构化序列，另外两个包含结构化的音调序列。
2. fMRI 统计学习程序
   1. 为了帮助参与者，特别是儿童，在扫描仪中感到舒适，首先使用模拟扫描仪^{31练习MRI扫描程序}。模拟扫描仪提供类似于实际扫描会话的自然体验，但通常位于更适合儿童的环境环境中。
   2. 首先将孩子介绍给模拟扫描仪，即大脑摄像头，并确保他们在将孩子放在扫描仪中之前感到舒适。
   3. 向他们介绍他们的"扫描伙伴"，并解释说，扫描伙伴的目的是让他们陪伴，并帮助他们，如果他们需要什么。如果"相机"检测到太多的运动，扫描伙伴会轻轻地提醒参与者保持静止。
   4. 一旦他们进入扫描仪，播放儿童友好的视频，以帮助他们适应的声音和视频。准备就绪后，播放一些预先录制的扫描仪声音剪辑，为真正的 MRI 发出的噪音做好准备。在此期间，让他们练习保持静止和与扫描好友一起工作。
   5. 向儿童介绍统计学习范式，让他们在扫描仪外练习。这是通过让孩子在计算机上完成任务的简短部分来完成的，类似于基于 Web 的协议，执行上述步骤 3.2.2 和 3.2.3。
      注:练习刺激与任务中使用刺激相同;然而，儿童只接触随机序列，而不接触结构化序列，从而允许对刺激和任务需求进行短暂的习惯，而不允许学习特定的序列。
   6. 确保在 MRI 采集计算机上正确设置 fMRI 数据收集协议。
      注:获取参数遵循青少年大脑认知发展（ABCD）研究^32的建议。
   7. 使用高分辨率 T1 加权扫描开始扫描会话。使用 176 片 3D MPRAGE（磁化准备快速梯度回波）体积扫描获得这些，TR（重复时间） = 2500 ms，TE（回声时间） = 2.9 ms，翻转角度 = 8°，FOV（视场）= 25.6 厘米，256 X 256 矩阵大小和 1 mm 切片厚度。此次收购将持续 7.2 分钟。
   8. 要获取功能数据，请使用 T2* 加权回声平面成像，同时采集具有 TR= 800 ms、TE = 32 ms、翻转角度 = 61°、FOV = 21 cm 和矩阵 = 64 x 64 的多切片扫描。在此实验中，60 个相邻切片以 2.5 mm 切片厚度、21 厘米 FOV 和 64 X 64 矩阵的交错序列获得，从而产生 2.5 mm x 2.5 mm 的平面分辨率。
   9. 让参与者舒适地躺在 fMRI 扫描仪的床上，使用耳机保护他们的耳朵免受扫描仪噪音的影响，并用手中的响应垫/按钮盒（耳机和按钮盒都必须与扫描仪兼容）。
   10. 在头部周围放置额外的衬垫，以确保在数据收集过程中头部运动受限。提前向参与者提供按钮响应框，以记录响应并平衡左手或右手是否用于跨参与者按下按钮。
   11. 给每个孩子一个扫描好友的选项。对于年龄较大、没有扫描伙伴的老年神经典型儿童，给他们一个挤压球，以通知实验者他们是否苦恼或需要停止。给年幼的孩子和特殊人群一个挤压球，但也为他们提供一个扫描伙伴，以帮助他们（如4.2.3）。
   12. 将头部线圈放在参与者的头上，并对齐患者在床上的位置。
   13. 在采集计算机上注册新参与者。输入其参与者 ID、出生日期、体重和身高。参与者现在可以插入 MRI 的孔中。
   14. 在向参与者放映影片时获取 T1 加权扫描。
   15. 在开始统计学习范式之前，通过连接到耳机的对讲系统向学员提供每个任务的说明。
   16. 在听觉任务中，告诉参与者:"现在我们要玩一个按按钮的游戏。你会听到外星人说话，演奏音乐。每当你听到你正在听的声音时，记住按左手/右手的按钮。将有4个部分，每个部分将持续约5分钟。
   17. 在视觉任务中，告诉参与者:"现在你会看到外星人的照片和字母。每当您看到您正在寻找的图片时，请按左手/右手的按钮。您将连续播放此 4 次。每次需要大约5分钟。
   18. 在演示计算机上启动统计学习范式，获取任务 fMRI 数据。
   19. 学员完成范例后，停止 MRI，安全地将其从扫描仪内部取出，并拆下头部线圈。
   20. 数据收集后，将所有 MRI 数据从采集计算机传输到安全服务器，以进行进一步分析。
3. fMRI 数据分析
   1. 分析 fMRI 任务期间的扫描器反应时间，类似于在熟悉阶段对反应时间进行基于 Web 的计算。对不同条件进行标准化反应时间，并使用单个条件的规范化反应时间计算线性斜率。
   2. 在分析 fMRI 数据时，首先使用 HeuDiConv³⁴ （https://github.com/nipy/heudiconv）组织和转换数据到脑成像数据结构³³ （BIDS） 格式。
   3. 使用 fMRIPrep³⁵，^{,36 预处理这些数据}。这种自动化预处理管道结合了AFNI^{37、ANTs38、Freesurfer39、FSL40}和明博^{格尔41的方法}，提供科学严谨且可重复的数据，用于数据分析。
      注:当前研究实现了混合块/事件相关设计。代表性结果（下图）将每个小块视为事件（例如，随机序列是事件，结构化序列是事件，等等）。但是，任务也设计为可以将每个刺激建模为事件。
   4. 在第一级模型设计中，包括两个用于每次运行的任务回归器（视觉条件的"图像"和"字母"，以及听觉条件的"音节"和"音"）。通过使用规范运动动力学响应函数将事件开始时间矢量及其持续时间卷积，确定任务回归器。计算每个主题内运行之间的差异和平均值，用于更高级别的模型设计。这将导致每种类型的刺激中结构化序列和随机序列之间的对比。
   5. 与每个模式/域中的随机块相比，为结构化块创建一组激活均值。

基于 Web 的行为结果
鉴于目前的议定书旨在便于向发育型人群传播，我们根据22名发展中学龄儿童（平均（M）年龄=9.3岁、标准偏差（SD）年龄=2.04岁、范围=6.2-12.6岁、13名女孩的数据，纳入了基于网络的初步结果。在基于网络的统计学习任务中，儿童在所有条件下的表现都明显优于0.5次机会水平，表明在小组一级的统计学习是成功的（见表 1， 用于统计; 图3.平均反应时间斜率为负数，在音节条件下明显低于 0 （M = -0.01，SD = 0.02， t（14） = -2.36，单尾 p = .02），在字母条件中具有轻微显著性（M = -0.02，SD = 0.06，t（15） = -1.52，单尾 p = .07，图 4），建议在语言任务熟悉阶段加快目标检测。平均反应时间斜率与图像条件中的零没有显著差异（M = 0.02， SD = 0.04，t（17） = 1.54，单尾 p > .1） 或音调条件 （M = 0.005，SD = 0.02，t（15） = -5.7 x 10^-17，单尾 p > .1），尽管存在离线准确性测量中学习的证据。Cronbach 的 alpha 表示"字母"任务为 0.75，音节任务为 0.09，"音调"任务是 0.67，图像任务为 0.86。隐式度量值（RT 斜率）与统计学习的显式度量值（准确性）之间的相关性可识别图像任务 （R = -.48，p = 0.04） 和字母任务 （R = -.54，p = 0.03） 的重要关系。任务间相关性进一步表明，这四项任务的重叠学习机制可能适度（图5）。虽然两个视觉任务的准确性高度相关（R = .60，p = 0.02），但它们也与音节任务的准确性呈正相关（图像 R = .66，p = 0.01;字母 R = .85， p < 0.001）。

fMRI 结果
初步的fMRI结果基于9名正在发育的学龄儿童的数据。这9名儿童是网络行为结果中包括的22名儿童中的一部分，因为并非所有儿童都来到实验室完成研究的fMRI部分。全部9个完成了听觉统计学习任务（M年龄=10.77岁，SD=1.96岁，范围=7.7-13.8岁，4个女孩）和7个完成视觉统计学习任务（M年龄=11.41年，SD=2.37年，范围=7.7-13.8岁，4个女孩）。 SD在比较结构化块和随机块时，在所有四个条件下都观察到了显著的聚类（图6）。在音节条件下，在左上司的时间陀螺、右苏拉/前侧操作体和前部的陀螺上发现更大的激活。在色调条件下，在左中角陀螺、双边角陀螺、左前极、右侧腹皮质、右内苏拉和右前额蛋白石发现更大的活化。在字母条件中，在左侧平面时间上发现更大的激活。在图像条件中，在右侧腹皮层发现更大的激活。这些初步的发现表明，儿童的神经激活模式因统计学规律的学习而异，这取决于所呈现刺激的模式和领域。当前的任务设计对这些差异很敏感，可以识别与过去的研究^{20、25类似的任务特定激活区域}。

fMRI 行为结果
为了在这项研究的fMRI部分证明学习，我们包括了来自28名成人（M年龄=20.8，SD= 3.53，20名女性）的扫描内行为结果，因为来自9名儿童的数据不足以计算可靠的统计数据。我们在成人中的发现表明，学习成功地发生在结构化序列的所有任务中，与随机条件相比，结构化的响应时间要快得多，但语气任务除外（有关统计数据，请参见表2）。

综合起来，我们基于 Web 的精度测量，以及扫描器中结构化序列与随机序列的激活量，表明此协议可能与发育群体一起实施，以衡量个人内部跨域和模式的统计学习。我们的行为 MRI 导致成人群体进一步强调该协议在实时展开时测量结构化序列学习的效用，以及独立实现基于 Web 和 fMRI 协议的能力。

图1:所有四个统计学习任务的熟悉阶段。图中描述了每个任务中的三胞胎示例。每个视觉刺激出现800ms与200ms ISI，每个听觉刺激听到460ms与20ms ISI。 请单击此处查看此图的较大版本。

图2:fMRI统计学习任务的熟悉修改。fMRI 任务类似于基于 Web 的熟悉阶段，但引入了跨域平衡的随机序列。 请单击此处查看此图的较大版本。

图 3:与偶然级别相比，基于 Web 的任务中的平均统计学习 （SL） 准确性。结果显示，个人在所有四项任务中的表现明显高于偶然性，***单尾 p < .001，** < 0.01，* < 0.05。 请单击此处查看此图的较大版本。

图4:基于 Web 的任务中对零的均值反应时间斜率。更多的负斜率表示在熟悉期间目标检测的加速速度更快。在音节任务期间，目标检测显著改善。†尾 p =.07， * <. 05。 请单击此处查看此图的较大版本。

图 5:所有四个统计学习任务中基于 Web 的任务间关联。（a） alpha 为 0.05 的非显著值以白色背景显示。所有与彩色背景的比较都表示显著效果。（b） 每个成对比较的样本大小。 请单击此处查看此图的较大版本。

图 6:与每种模式和域中的随机块相比，结构化块的组级神经激活。对于每个任务，在体美值 p < 0.001 和群集级 p < 0.05 的阈值上对重要群集进行阈值。选择水平切片以以最大 z 值描绘群集。右角底部的色条反映了所有绘图的相同比例。 请单击此处查看此图的较大版本。

表 1:基于 Web 的精度（按条件）。 单样本 t 检验表示组差异，而 0.5 机会级别。

表2:成人所有四个任务中随机序列与结构化序列的 MRI 行为性能差异。 配对样本 t 检验表示结构化序列与随机序列学习中的组差异。

当前协议中介绍的方法为理解整个开发过程中统计学习的行为和神经指数提供了多式联运范式。目前的设计允许识别不同模式和领域的统计学习能力，可用于今后调查统计学习与语言发展之间的关系。由于个人的统计学习能力因领域和模式^6、8、9而异^8，9因此如果参与者完成所有四项任务，则最佳选择。^,来自典型的儿童和成人的结果表明，个人在统计学习领域/模式上的表现可能与词汇^{4和阅读5,5、6}结果有差异。因此，我们建议采取更多的认知和语言能力措施，以与现行议定书中的统计学习措施相关。

研究已经报告了合理的内部一致性和测试可靠性的这些统计学习任务的成年人^8,8，42。然而，对⁴²岁儿童任务可靠性的关切以及最近关于一般衡量问题^9的讨论表明，迫切需要制定统计学习措施，同时考虑到儿童的发展特点。虽然我们先前的研究，以及目前协议的初步数据，表明8至16岁学龄儿童的非语言统计学习任务具有很高的内部一致性，但我们的研究也证实了^任务可靠性较低，特别是在⁴²岁之前报告过的听觉语言统计学习方面。鉴于最近有关学习者先前语言经验对统计学习结果的影响的发现，任务之间的内部一致性差异尤其^{,43,耐人寻味。}语言和阅读在学年中发展迅速。每个听觉语言三胞胎的可学习性在每个孩子中可能大相径庭，这取决于他们的发展阶段和当前的语言能力。将我们的协议与其他个体差异措施相结合，将提供一个令人兴奋的机会，研究现有技能和后续学习之间的级联效应，这些影响是统计学习绩效在整个发展过程中异质性的基础。

当前设计的一个重要好处是，它通过在线网络平台测量统计学习的效用。研究人员在考虑通过 Web 浏览器测量反应时间的准确性时应注意以下情况。de Leeuw 和 Motz （2016）⁴⁵ 发现，通过 Web 浏览器测量的响应时间比通过其他标准数据演示软件测量的响应时间长约 25 ms。重要的是，这种延迟在试验中是恒定的。由于我们在基于 Web 的任务中实时学习的测量是反应时间变化的斜率，因此使用主体内比较，将反应时间延迟的影响降至最低。de Leeuw （2015）³⁰ 也承认，通过 jsPsych 测量的反应时间可能受到计算机的处理速度或后台加载的任务数等因素的影响。为了尽量减少这些影响，我们建议在计算响应时间斜率³⁰之前，使每个参与者内的响应时间正常化。

当前的协议提供了可靠的方法，以展示跨领域和模式的学习行为差异，旨在调查统计学习的个体差异。但是，此协议不适合研究诸如视觉统计学习是否本质上比听觉统计学习容易等问题。由于我们无法控制的所有混淆因素，例如刺激熟悉^{度14、43、46、47、,43,46}感官显著度和处理速度^28，,因此很难解释任务之间的组级性能差异。与刺激熟悉有关，可以证实，个人以前对刺激的经验可能会影响其统计学习成绩。此外，由于这些模式的刺激和表达速率不同，视觉和听觉任务很难直接比较。因此，我们的方法设计的目的是调查统计学习中的个体差异。然而，使用先进的fMRI分析方法，我们的协议适合研究有关统计学习性质的理论问题，例如，我们可以问哪些大脑网络对每个领域的规律性敏感，以及神经参与模式如何不同/重叠。

目前的议定书被开发为对儿童友好和易于获取，以最大限度地研究神经典型和非典型人群。在幼儿或发育障碍儿童实施本协议期间，关键步骤是在每个 SL 任务之间休息，以避免疲劳。基于 Web 的任务的每个条件都可以单独传播，以缓解认知需求。在扫描之前，模拟扫描仪可用于减少儿童焦虑和头部运动，为真正的fMRI任务做准备。在进行任何神经成像研究时，研究人员应注意与一般问题相关的问题:运动。只有 0.3 mm 的旋转头部运动会导致伪影显现出来。为了尽量减少运动伪影的可能性，当前协议将每次运行限制为 5 分钟以下⁴⁸。应鼓励参与者在每 5 分钟的跑步中保持静止，但允许在跑步之间移动或伸展，以便在实际扫描过程中减少运动。我们还建议采用严格的数据分析技术，以纠正fMRI数据49上的运动相关^伪影。

鉴于统计学习能力对以后语言习得的至关重要，有必要制定更全面、更可靠的措施，评估统计规律的实时和离线学习。目前的提案是确定基于领域/模式的统计学习能力个体差异如何解释以后语文结果差异的第一步。

当前的协议提供了可靠的方法，以展示跨领域和模式的学习行为差异，旨在调查统计学习的个体差异。但是，此协议不适合研究诸如视觉统计学习是否本质上比听觉统计学习容易等问题。由于我们无法控制的所有混淆因素，很难解释任务之间的组级性能差异

作者没有什么可透露的。

我们感谢约尔·桑切斯·阿劳霍和温迪·乔治在基于网络的平台的初始设计中做出的贡献。我们感谢安 Nguyen 和 Violet Kozloff 在改进基于 Web 的统计学习任务、执行 fMRI 任务以及在成人参与者中试验任务方面的工作。我们感谢维奥莱特·科兹洛夫和帕克·罗宾斯为协助儿童数据收集工作做出的贡献。我们感谢特拉华大学生物和脑成像中心的易卜拉欣·马利克、约翰·克里斯托弗、特雷弗·维加尔和基思·施耐德在神经成像数据收集方面提供的援助。这项工作部分由国家耳聋和其他传播障碍研究所资助（PI:Qi;NIH 1R21DC017576）和国家科学基金会社会、行为和经济科学局（PI:施耐德，联合PI:Qi & Golinkoff;NSF 1911462）。