Definir el papel del lenguaje en objeto categorización los bebés con paradigmas de Eye-tracking

Resumen

Aquí presentamos un protocolo para la prueba de familiarización paradigmas que proporcionan una prueba directa de categorización infantil y ayudar a definir el papel del lenguaje en el aprendizaje temprano de la categoría.

Resumen

Evaluación de aprendizaje de categoría infantil es una difícil pero vital aspecto de estudiar la cognición infantil. Mediante el empleo de un paradigma de la prueba de familiarización, directamente medir éxito de niños en el aprendizaje de una nueva categoría al depender sólo de su comportamiento buscando. Por otra parte, el paradigma puede medir directamente el impacto de diferentes señales auditivas en la clasificación infantil a través de un rango de edades. Por ejemplo, determinamos cómo 2 años de edad aprenden categorías en una variedad de entornos de etiquetado: en nuestra tarea, 2 años de edad con éxito aprendieron categorías cuando los ejemplares fueron etiquetados o los dos primeros ejemplares fueron etiquetados, pero no pudieron clasificar al no hay ejemplares fueron etiquetados o sólo el finales dos ejemplares fueron etiquetados. Para determinar el éxito de los infantes en tales tareas, los investigadores pueden examinar tanto la preferencia general de los infantes en cada condición y patrón de los bebés de mirar en el transcurso de la fase de prueba, usar un eye-tracker para proporcionar los datos de tiempo-curso de grano fino . Así, presentamos un paradigma potente para identificar el papel de la lengua, o cualquier señal auditiva, en la categoría de niños objeto de aprendizaje.

Introducción

Categorización es un elemento fundamental de la cognición humana: habilidades de categorización de niños emergen temprano en la infancia y se convierten en cada vez más sofisticados con la edad. ^{1 , 2 , 3} la investigación también ha revelado un papel de gran alcance para la lengua en la clasificación infantil: de 3 meses de edad, los bebés aprenden categorías más con éxito ejemplares de categoría están emparejados con la lengua. ^{4 , 5 , 6} además, al final del primer año, los bebés son en sintonía con el papel de etiquetas Sustantivo de la cuenta en la clasificación. Apareamiento de ejemplares de la categoría con una frase coherente de etiquetado ("Esto es un vep!") facilita la categoría de niños aprender con respecto a que sea una etiqueta distinta para cada ejemplar ("Se trata de un vep," "Esto es un dax," etc.) o no etiquetado la frase ("mire esto."). ^{7 , 8 , 9}

En experiencias cotidianas de los bebés, sin embargo, la gran mayoría de los objetos que se encuentran probablemente se mantendrá sin etiqueta. No cuidador podría etiquetar cada objeto que un niño ve mucho menos proporcionar las etiquetas que se aplican a cada objeto (por ejemplo, "malamute," "perro," "animal doméstico", "animal"). Esto presenta una paradoja: ¿Cómo podemos reconciliar el poder de las etiquetas en la clasificación infantil con su relativa escasez en la vida cotidiana de los bebés?

Para responder a esta pregunta, hemos desarrollado un protocolo para evaluar cómo los bebés aprenden categorías en una variedad de ambientes de aprendizaje, incluso cuando reciben una mezcla de ejemplares etiquetados y sin etiquetar. En concreto, proponemos que reciben algunos ejemplares marcados al principio de aprendizaje puede facilitar la categorización, mejorando la capacidad de los bebés para aprender de posteriores, sin etiqueta ejemplares así. Esta estrategia de usar un número pequeño de ejemplares etiquetados como una base para el aprendizaje de un mayor número de ejemplares sin etiqueta se ha aplicado ampliamente en el campo del aprendizaje máquina, desove de una familia de las actividades de aprendizaje (SSL) algoritmos^10,11,12. Por supuesto, las estrategias de aprendizaje implementadas no son idénticas a través de diferentes tipos de aprendizaje: en el aprender de máquina, algoritmos por lo general están expuestos a muchos más ejemplares, hacer conjeturas explícitas sobre cada ejemplar y aprender múltiples categorías al mismo tiempo. Sin embargo, la máquina y los alumnos de infantiles podrán beneficiarse de integrar con éxito ejemplares etiquetados y sin etiquetar para aprender nuevas categorías en ambientes escasos de etiquetado.

Nuestro diseño se centra en si los niños de 2 años de edad, en el proceso de adquisición de palabras para numerosas categorías nuevas, son capaces de este tipo de aprendizaje las actividades. Contamos con una medida estándar de categorización para bebé: una tarea de la prueba de familiarización. En este paradigma, 2 años de edad fueron expuestos a una serie de ejemplares de una nueva categoría durante la fase de familiarización. Cada ejemplar fue apareado con un estímulo auditivo diferente, dependiendo de la condición (es decir, un etiquetado o una frase no etiquetado). Entonces, en la prueba, todos los niños de 2 años vieron dos nuevos objetos en silencio: un objeto de la categoría ahora-familiar y uno de una categoría de novela.

Si los niños de 2 años con éxito forman la categoría durante la fase de familiarización, debe distinguir entre los dos ejemplares presentados en la prueba. Importante, porque una preferencia sistemática por tanto la imagen de prueba nuevos o familiar refleja la habilidad de distinguir entre ellos, preferencias de familiaridad y novedad se interpretan como evidencia de éxito categorización. Tenga en cuenta que en una tarea dada, la naturaleza de esta preferencia es una función de la eficacia de los bebés para los materiales de estímulo, con preferencias de familiaridad asociadas a estímulos menos eficiente procesamiento ^{4,13, 14 , 15 , 16 , 17}. presentación de la fase de prueba en silencio permite evaluar directamente el éxito de bebés en la categorización de objeto y cómo este éxito varía de acuerdo con la información que acompañó a los ejemplares durante la familiarización. Así, este paradigma proporciona una prueba convincente de cómo los diferentes tipos de entornos lingüísticos afectan categoría aprendizaje. Si etiquetado mejora aprendizaje categoría en ambientes semi-supervisados y totalmente supervisados, 2 años de edad en estas condiciones deben mostrar preferencias de prueba más fuerte que los neonatos en otros ambientes.

Protocolo

Todos los métodos aquí descritos han sido aprobados por la Junta de revisión institucional para la Universidad noroeste.

1. estímulos creación

Nota: Los estímulos visuales (ver figura 1) utilizados en el diseño representante informaron a continuación fueron desarrollados originalmente en Havy y Waxman (2016)¹⁸ y están disponibles para su descarga en https://osf.io/n6uy8/.

1. Para crear una nueva categoría de continuo, en primer lugar diseñar un par de nuevas imágenes digitales. A continuación, morph el par de imágenes, y utilizando software (véase, por ejemplo, Tabla de materiales) para formar una serie continua de ejemplares entre las dos imágenes originales. Crear al menos dos categorías de esta manera que uno puede servir como la categoría de aprender mientras que el otro proporciona el ejemplo de la nueva categoría para el ensayo de prueba.
2. Seleccionar los ejemplares de familiarización en intervalos iguales de tiempo de todo el continuum de cada categoría aprendidas (por ejemplo, los ejemplares de 0%, 20%, 40%, 60%, 80% y 100%). Seleccionar un número adecuado de ejemplares (por ejemplo, seis). En consonancia con la dificultad de la categoría y edad de los participantes.
3. Para crear los ejemplares para la fase de prueba, seleccione los puntos medios de continuum de la categoría familiar y continuidad de la categoría novela (es decir, el ejemplo 50%). Luego compare el color del novela ejemplar para el modelo familiar con un programa de manipulación de imagen (véase, por ejemplo, tabla de materiales).
4. Estímulos auditivos grabación producidos por mujer hablante nativo de inglés en una cabina insonora. Si es posible, utilice el mismo altavoz para ambas frases Etiquetadoras (es decir, "mira la modi") y frases sin etiquetar (es decir, "Miren eso!").
   1. Instruir al orador a producir todos enunciados en discurso dirigido de bebé o niño.
   2. Seleccione los enunciados que son aproximadamente la misma longitud en condiciones, probablemente alrededor de 1.500 ms por frase.

2. el aparato

1. Utilice un rastreador de ojos apropiado. Para recopilar los datos de seguimiento de ojo adecuados para una medida de la prueba de familiarización, eye-trackers más ampliamente disponibles serán suficiente: los objetos ocupan gran parte de la pantalla, y el análisis de datos investiga el desempeño sobre una ventana larga en lugar de movimientos del ojo individual, que ocurre rápidamente como saccades.
2. Porque esta tarea requiere a niños de eye-tracking, asegúrese de que el sistema cumple con varios requisitos.
   1. Primero, usar un eye-tracker con un modo de seguimiento remoto, que no requiere de los niños a colocar sus cabezas sobre un apoya-mentón. Asegúrese de que el eye-tracker puede tolerar relativamente grandes movimientos de la cabeza o reajustes.
   2. En segundo lugar, utilice una pantalla relativamente grande para visualizar las imágenes a los bebés, (por ejemplo, 57 x 45 cm).
   3. En tercer lugar, utilizar un montaje de brazo extensible para el eye-tracker para facilitar la recogida de datos permitiendo que el investigador ajustar la altura del ojo-tracker para cada niño.
   4. En cuarto lugar, el equipo de seguimiento de ojo hacer discreta, centrar la atención de los bebés únicamente en la pantalla. Por ejemplo, algunos sistemas integran el equipo de seguimiento de ojo con el monitor o montar el equipo directamente debajo del monitor.
3. Tenga en cuenta que esta tarea también puede ser completada con datos videos de alta calidad código de comportamiento buscando los niños. Mientras que técnicas de codificación manual pueden plantear algunos retos para el uso de los análisis más fino de curso del tiempo, datos codificadas son enteramente suficientes para el conjunto buscando análisis.

3. tarea diseño

1. En software asociado de eye tracker (véase, por ejemplo, Tabla de materiales), crear cuatro condiciones diferentes: totalmente supervisado, no supervisado, semi-supervisada e invertida y supervisado. Asegúrese de que estas condiciones son independientes, para que cada niño verá sólo una condición.
2. Generar al menos dos órdenes pseudo-random de los ejemplares de aprendizaje, con la restricción de que no más de dos ejemplares del mismo lado del continuo (0-40% o 60-100%) puede ser demostrado de forma consecutiva.
3. Crear vídeos de familiarización que par los estímulos auditivos con estímulos visuales como apropiadas para cada condición.
   1. Combinar los estímulos visuales y auditivos en video software de edición (véase, por ejemplo, Tabla de materiales). Presentar todas las imágenes en el mismo fondo. Establecer el inicio del estímulo auditivo en un rango apropiado, entre ms de 500 y 1.500 ms después del inicio del estímulo visual. Utilice este espacio breve de tiempo para aliviar procesamiento de carga ^{19 los bebés}.
   2. Por ejemplo, en la condición completamente supervisado, par cada ejemplar de la familiarización con una frase de etiquetado.
   3. En la condición sin supervisión, par cada ejemplar de la familiarización con una frase no etiquetado.
   4. En la condición de semi controlada, par sólo los dos primeros ejemplares en cada orden con etiquetado frases pero el resto con frases no etiquetado.
   5. Para la condición de semi-supervisado invertidas, par el finales dos ejemplares con etiqueta frases pero las cuatro primeras con frases no etiquetado (ver figura 1).
   6. Sube imágenes de estos videos en el software de eye-tracker, ordenar los vídeos de familiarización según lo determinado por el orden de pseudo-aleatorios.
4. Subir un corto (10 s o menos) atraer la atención de animación aparece en el centro de la pantalla después de familiarización: Esto asegurará que la mayoría de los bebés buscan el centro de la pantalla cuando comienza la fase de prueba.
5. Finalmente, para cada categoría de aprendizaje, diseño dos prueba ensayos, cada uno con dos ejemplares muestra side-by-side. Asegúrese de que ambos ensayos de prueba, un ejemplar representará el punto medio de la categoría ahora-familiar mientras que el otro representa el punto medio de la categoría de novela.
   1. Contrarrestar los ensayos para que el posicionamiento de izquierda/derecha del novela ejemplar en la prueba de la prueba se invierte a través de videos.
   2. Subir estos test ensayos eye-tracker, el software posicionamiento después del atención post-familiarización-getter. Contrarrestar la presentación de estas pruebas por lo que cada niño tiene la misma oportunidad de ver un ensayo de prueba de la novela de izquierda o derecha-novela.
   3. Asegúrese de que prueba los ensayos duran por lo menos 5 s y hasta 20 s, en orden para niños busca inicialmente a acumular suficiente mirar.

[Colocar figura 1 aquí]

4. procedimiento de estudio

1. Antes de que el bebé llegue, configurar el eye-tracker.
   1. Asignar al azar el niño a una condición y un orden.
   2. Abra el software de eye-tracker y seleccionar el par asignado/orden de la condición.
   3. Ahora introduzca el número de participantes para esta grabación.
2. Después de realizar el proceso de consentimiento, llevar el niño y el cuidador a la sala de eye-tracking. Asegúrese de que la habitación se ilumina moderadamente sin ninguna distracción decoraciones en las paredes.
3. Coloque una silla delante del eye-tracker a una distancia apropiada para el modelo de eye-tracker está utilizando. Asiento al cuidador en esta silla y el niño en el regazo del cuidador. Si el niño no desea sentarse en el regazo del cuidador, pueden sentarse en su propio, o puede sentarse en un asiento de coche.
4. Si el niño está sentado en el regazo del cuidador, instruir al cuidador no sesgar el comportamiento de los bebés de cualquier manera, sino tratar de mantener al niño en el regazo del cuidador. Proporcionar a los cuidadores con un par de gafas de sol oscuras-out llevar por lo que no se ven los estímulos.
5. Pedir al niño que mire a la pantalla eye-tracker; considere mostrar una atractiva imagen o vídeo para atraer su atención. Coloque la pantalla para que los ojos de los bebés están dentro de la ventana de calibración.
6. Realizar procedimiento de calibración del ojo perseguidor. Usar una calibración de cinco puntos si es posible, pero menos integrales calibraciones también suelen ser adecuados. Los niños frecuentemente responden mejor cuando la imagen de calibración es una animación con acompañamiento auditivo.
7. Si el niño pasa de calibración, luego comenzar el experimento. Si no es así, vuelva a calibrar hasta que tienen éxito. Quedan excluidos los lactantes no pueden calibrarse.
8. Si múltiples experimentos se ejecutan consecutivamente, o si un solo experimento es bastante largo, considere volver a calibración después de cada sección.

5. Análisis de datos

1. Utilizar software de análisis de datos para realizar este análisis (p. ej., véase tabla de materiales).
2. Crear áreas de interés (AOIs) alrededor de las posiciones del ejemplar en los lados izquierdo y derecho de la pantalla.
3. Ensayos de familiarización, uso el AOI apropiada para evaluar a los niños tiempo pasó mirando al ejemplar que aparece en cada ensayo. Excluir a ningún niño que no muestra sostenida en busca de una mayoría de los ejemplares (por ejemplo, requieren que los niños asistir a 4 de un posible 6 ejemplares de familiarización de al menos el 25% de los ensayos).
4. Para el ensayo de prueba, son sólo niños de los primeros 5 s de mirar acumulados. Para los niños más pequeños, de 3 a 12 meses de edad, considere usar una ventana más larga como 10 segundos de mirar acumulados. Considerar excluyendo lactantes muestran insuficiente sostenido mirando a prueba (por ejemplo, acumular menos de 2.5 s de mirar) o que no mira a los dos de los ejemplares.
5. Ahora crear una puntuación de preferencia para la prueba de cada bebé prueba dividiendo la cantidad de tiempo mirando al novela ejemplar por la cantidad total de tiempo mirando a ambos ejemplares. Para analizar estas proporciones, transformarlos en primer lugar con un logit empírica o arco-sin raíz cuadrada para que sean adecuados para el análisis con modelos lineales.
6. Para un análisis de tiempo-curso de comportamiento buscando niños en la prueba, separar los datos en pequeños recipientes (por ejemplo, entre 10 y 100 ms) y calcular un puntaje de preferencia dentro de cada compartimiento para cada niño.
7. Realizar un análisis de los datos del curso del tiempo, comprobar si el patrón de los infantes de ver todo el ensayo de prueba varía según el estado. Nota que múltiples formas de análisis pueden responder a esta pregunta, incluyendo una permutación basado en cluster análisis²⁰, como se demuestra aquí y modelado de la curva de crecimiento. ²¹
   1. Para un análisis de cluster basado en permutaciones, seleccionar un umbral de valor t, correspondiente al nivel alfa deseado (recomendado alphas entre.01 a. 20, nota que este valor alfa no representa nivel alfa de la prueba general, simplemente el nivel requerido para individuales tiempo-cajas para exceder el umbral). Suma la t estadística para cada cubo de tiempo consecutivo que supera el umbral de t solicitado; Estos acumuladas t-las estadísticas indican el tamaño de las divergencias entre las condiciones de los datos.
   2. Para determinar si estas divergencias son mayores de lo esperado por casualidad, realizar por lo menos 1.000 simulaciones con las etiquetas de condición barajadas al azar. Evaluar las divergencias de los datos unshuffled contra esta distribución basada en la oportunidad.
      Nota: Es esta comparación de la divergencia original contra la distribución de posibilidad que determina la tasa de falsos positivos de los análisis, más que el número de cubos de tiempo en que t-pruebas se llevaron a cabo o incluso el umbral de valor t seleccionado para ésas t-pruebas iniciales. Como resultado, este análisis ofrece una alternativa conservadora para reporting directamente los resultados de múltiples pruebas t en cubos de tiempo predefinidos (por ejemplo, llevando a cabo pruebas cada 500 ms).

Resultados

Utilizando el protocolo anterior, hicimos dos experimentos²². Los análisis se realizaron con el paquete de eyetrackingR ²³, y el código y datos están disponibles en https://github.com/sandylat/ssl-in-infancy. En el primer experimento, contrapone una condición totalmente supervisada (n = 24, M_edad = 26,8 meses), sólo ofrece etiquetado ejemplares, con una condición sin supervisión (n = 24, M_edad ...

Discusión

Aquí, presentamos un procedimiento para la evaluación de la función de etiquetado en categorización. Presentando 2 años de edad con una mezcla realista de ejemplares etiquetados y sin etiquetar, demostramos que niños muy pequeños son capaces de aprender en ambientes semi-supervisados, extender el trabajo con adultos y niños mayores^24,25 . Así, este método ofrece una solución a la paradoja planteada anteriormente: si incluso unos pocos ejemplares etique...

Materiales

Name	Company	Catalog Number	Comments
Final Cut Pro X	Apple	N/A	Video editing, composition software
MorphX	Norrkross	N/A	Image-morphing software
PhotoShop	Adobe	N/A	Image-editing software
R	R Core Team	N/A	Statistical analysis software
T60XL Eyetracker	Tobii Pro	Discontinued	Large, arm-mounted eyetracker suitable for work with infants and children
Tobii Pro Studio	Tobii Pro	N/A	Software directing eyetracker display, data collection