Définissant le rôle du langage dans la catégorisation objet nourrissons avec les paradigmes de l’Eye-tracking

Résumé

Nous présentons ici un protocole pour les paradigmes de familiarisation-test qui fournissent un test direct de la catégorisation infantile et aider à définir le rôle du langage dans l’apprentissage de la catégorie.

Résumé

Apprentissage de la catégorie infantile est une difficile mais un aspect essentiel d’étudier la cognition infantile. En employant un paradigme de familiarisation-test, nous mesurons carrément succès des enfants en bas âge dans une catégorie roman d’apprentissage tout en s’appuyant uniquement sur leur comportement à la recherche. En outre, le paradigme peut mesurer directement l’impact des différents signaux auditifs sur la catégorisation infantile à travers un éventail d’âges. Par exemple, nous avons évalué la façon dont 2 ans apprennent catégories dans une variété d’environnements d’étiquetage : dans notre tâche, 2 ans avec succès appris catégories lorsque tous les exemplaires ont été étiquetés ou les deux premiers exemplaires ont été marquées, mais ils ont échoué à catégoriser quand aucun exemplaires ont été étiquetés ou seulement deux modèles finales ont été étiquetés. Pour déterminer le succès des enfants en bas âge dans ces tâches, chercheurs peuvent examiner les deux la préférence générale affichée par les enfants dans chaque État et modèle de bébés de la recherche au cours de la phase de test, en utilisant un eye-tracker pour fournir des données de temps à grain fin . Ainsi, nous présentons un paradigme puissant permettant d’identifier le rôle de la langue, ou n’importe quel signal auditif, dans la catégorie d’objet de bébés d’apprentissage.

Introduction

La catégorisation est un bloc de construction fondamental de la cognition humaine : capacités de catégorisation des nourrissons émergent au début dans l’enfance et devenir de plus en plus sophistiquées avec l’âge. ^{1 , 2 , 3} recherche a également révélé un rôle puissant langage infantile catégorisation : depuis l’âge de 3 mois, les bébés apprennent catégories avec plus de succès lorsqu’exemplaires de catégorie sont jumelés avec le langage. ^{4 , 5 , 6} par ailleurs, la fin de la première année, les enfants sont attentifs au rôle d’étiquettes count noun dans la catégorisation. Appariement des exemplaires de la catégorie avec une phrase d’étiquetage conforme (« Ceci est un vep ! ») facilite la catégorie d’enfants en bas âge apprenant par rapport à fournir soit une étiquette distincte pour chaque exemplaire (« Il s’agit d’un vep, » « Il s’agit d’un dax, » etc.) ou un marquage non une expression (« Regardez ceci. »). ^{7 , 8 , 9}

Dans les expériences quotidiennes des nourrissons, cependant, la grande majorité des objets qu’ils rencontrent demeurera probablement sans étiquette. Aucun soignant ne pourrait étiqueter chaque objet qu'un enfant voit beaucoup moins fournir les étiquettes qui s’appliquent à chaque objet (par exemple, « malamute, » « chien », « animal de compagnie », « animal »). Cela présente un paradoxe : comment concilier le pouvoir d’étiquettes dans la catégorisation infantile avec leur relative rareté dans la vie quotidienne des nourrissons ?

Pour répondre à cette question, nous avons développé un protocole pour évaluer comment les bébés apprennent catégories dans une variété d’environnements d’apprentissage différents, y compris lorsqu’ils reçoivent un mélange de modèles marquées et non marquées. Plus précisément, nous proposons que reçoit encore quelques exemplaires marqués au début de l’apprentissage peut faciliter la catégorisation — en améliorant la capacité des nourrissons à tirer des enseignements ultérieurs, non exemplaires aussi bien. Cette stratégie consistant à utiliser un petit nombre d’exemplaires étiquetés comme une base pour l’apprentissage d’un plus grand nombre d’exemplaires sans étiquette a été largement appliquée dans le domaine de l’apprentissage machine, frai une famille d' apprentissage semi-supervisé (SSL) algorithmes de^11,10,12. Bien sûr, les stratégies d’apprentissage mis en œuvre ne sont pas identiques à travers différents types d’apprenants : en apprentissage machine, algorithmes sont généralement exposés à des exemples plus nombreux, faire des suppositions explicites sur chaque exemplaire et d’apprendre plusieurs catégories en même temps. Néanmoins, les machines et les apprenants infantiles peuvent bénéficier d’intégration réussie des exemplaires étiquetés et sans étiquette pour apprendre de nouvelles catégories dans des environnements étiquetage clairsemées.

Notre conception se concentre sur la question de savoir si des enfants de 2 ans, en train d’acquérir des mots pour de nombreuses nouvelles catégories, sont capables de ce genre d’apprentissage semi-supervisé. Nous employons une mesure standard de catégorisation infantile : une tâche de familiarisation-test. Dans ce paradigme, 2 ans ont été exposés à une série d’exemplaires d’une nouvelle catégorie au cours d’une phase de familiarisation. Chaque exemplaire a été jumelé avec un stimulus auditif différent, selon l’état (c'est-à-dire, un étiquetage ou une phrase non marquage). Puis, à l’essai, tous les 2 ans a vu deux nouveaux objets présentés en silence : un objet de la catégorie désormais familière et un d’une nouvelle catégorie.

Si les enfants de 2 ans avec succès forment la catégorie durant la phase de familiarisation, puis ils établissent une distinction entre les deux modèles présentés lors du test. Ce qui est important, parce qu’une préférence systématique soit pour l’image de test roman ou familiers reflète une aptitude à distinguer entre eux, préférences de familiarité et de nouveauté sont interprétées comme la preuve de la catégorisation réussie. Notez que sur une tâche donnée, la nature de cette préférence est fonction de l’efficacité du traitement des nourrissons pour les matériaux de la stimulation, les préférences de connaissance associées à des stimulus moins efficace traitement ^{4,13, 14 , 15 , 16 , 17}. présentation de la phase de test dans le silence permet d’évaluer directement le succès des enfants en bas âge dans la catégorisation de l’objet et comment ce succès varie selon les informations qui accompagnent les exemplaires lors de familiarisation. Ainsi, ce paradigme fournit un test convaincant comment différents types d’apprentissage de catégorie affectent les environnements linguistiques. Si l’étiquetage favorise l’apprentissage de la catégorie dans les environnements semi-supervisées entièrement supervisées, 2 ans dans ces conditions devrait montrer des préférences de test plus forts que les nourrissons dans d’autres environnements.

Protocole

Toutes les méthodes décrites ici ont été approuvés par la Northwestern University Institutional Review Board.

1. création de stimuli

NOTE : Les stimuli visuels (voir Figure 1) utilisés dans la conception représentatif signalés ci-dessous ont été développées à Havy et Waxman (2016)¹⁸ et sont disponibles en téléchargement sur https://osf.io/n6uy8/.

1. Pour créer une nouvelle catégorie continue, tout d’abord concevoir une paire de nouvelles images numériques. Ensuite, transformez la paire d’images ensemble, à l’aide de logiciel (voir, par exemple, Table des matières) pour former un continuum de modèles entre les deux images originales. Créer au moins deux catégories de cette façon afin que l’un peut servir de la catégorie à tirer tandis que l’autre fournit le type de même catégorie roman pour l’essai.
2. Sélectionnez les modèles de familiarisation à intervalles espacés régulièrement de toutes les étapes de chaque savant de la catégorie (par exemple, les modèles de 0 %, 20 %, 40 %, 60 %, 80 % et 100 %). Sélectionnez un nombre suffisant d’exemplaires (p. ex., six). Selon la difficulté de la catégorie et l’âge des participants.
3. Pour créer les modèles pour la phase de test, sélectionnez les milieux du continuum de la catégorie familier et le continuum de la catégorie roman (c'est-à-dire, l’exemplaire de 50 %). Alors correspondre à la couleur de la roman exemplaire à celui de l’exemplar familier à l’aide d’un programme de manipulation d’image (voir, par exemple, Table des matières).
4. Stimuli auditifs Records produites par une femelle langue maternelle anglaise dans une cabine insonorisée. Si possible, utilisez le même orateur pour les deux expressions de l’étiquetage (c.-à-d., « regardez le modi ») et les phrases non étiquetage (c'est-à-dire, « regarde ! »).
   1. Demander à l’orateur de produire toutes les déclarations dans bébé ou enfant-axés sur l’intervention.
   2. Sélectionnez les déclarations qui sont approximativement la même longueur dans l’ensemble des conditions, probables environ 1 500 ms par expression.

2. les appareils

1. Utiliser un système de suivi oculaire appropriée. Pour collecter les données adéquates de suivi du regard pour qu’une mesure de familiarisation-test, suffira plus largement disponible eye-tracker : les objets occupent de vastes portions de l’écran, et l’analyse des données examine la performance sur une longue fenêtre, plutôt que mouvements des yeux individuels, rapidement naturels tels que les saccades.
2. Comme cette tâche nécessite oculométrie nourrissons, veiller à ce que le système est conforme à plusieurs exigences.
   1. Tout d’abord, utilisez un eye-tracker avec un mode de suivi distant, qui ne nécessite pas de bébés à placer leurs têtes sur un repose-menton. Veiller à ce que l’eye-tracker peut tolérer des mouvements de tête relativement importants ou réorienter si nécessaire.
   2. En second lieu, utiliser un écran relativement grand pour afficher les images pour les enfants, (p. ex., 57 x 45 cm).
   3. En troisième lieu, utiliser un support de bras extensible pour l’eye-tracker pour faciliter la collecte de données en permettant au chercheur de régler la hauteur de l’eye-tracker à chaque enfant.
   4. Quatrièmement, faire de l’équipement de l’oculométrie discrète, concentrant des nourrissons uniquement sur l’écran d’affichage. Par exemple, certains systèmes intègrent l’oculométrie équipement avec le moniteur ou Mont l’équipement directement sous l’écran.
3. Notez que cette tâche peut également être exécutée par codage à la main les données vidéo haute qualité de comportement à la recherche des enfants en bas âge. Bien que les techniques de codage manuel peuvent poser certains défis pour l’utilisation de l’analyse temporelle plus affinées, données codées manuellement sont tout à fait suffisantes pour l’ensemble des analyses de la recherche.

3. conception de la tâche

1. Dans le logiciel associé de l’eye-tracker (voir, par exemple, Table des matières), créer des quatre conditions différentes : entièrement supervisé, non supervisé, semi-supervisé et inversé semi-supervisé. S’assurer que ces conditions sont séparées, afin que chaque enfant voit qu’une seule condition.
2. Générer des ordres pseudo-aléatoires au moins deux des modèles d’apprentissage, avec la contrainte que pas plus de deux exemplaires du même côté du continuum (0-40 % ou 60-100 %) peut être démontré de façon consécutive.
3. Créer des vidéos de familiarisation que les stimuli auditifs de paire avec les stimuli visuels en fonction de chaque condition.
   1. Combiner les stimuli visuels et auditifs dans vidéo logiciel de montage (voir, par exemple, Table des matières). Présenter toutes les images sur le même fond. Définir l’apparition du stimulus auditif à un éventail approprié, entre ms 500 et 1 500 ms après le début du stimulus visuel. Ce délai court permet de soulager les traitement charge ^{19 enfants en bas âge}.
   2. Par exemple, dans l’état entièrement supervisée, paire de chaque exemplaire de familiarisation avec une phrase d’étiquetage.
   3. En l’état sans surveillance, paire de chaque exemplaire de familiarisation avec une expression non-étiquetage.
   4. À l’état semi-supervisé, paire seulement les deux premiers exemplaires dans chaque commande avec étiquetage des phrases mais le reste avec des phrases non-étiquetage.
   5. Pour la condition semi-supervisée Reversed, paire finales deux modèles avec étiquetage des phrases mais les quatre premières phrases non étiquetage (voir Figure 1).
   6. Téléchargez ces vidéos dans le logiciel eye-tracker, commander les vidéos de familiarisation, tel que déterminé par l’ordre de pseudo-randomisés.
4. Télécharger un court (10 s ou moins) qui attirent l’attention animation affichée au centre de l’écran après familiarisation : cela fera en sorte que la plupart des nourrissons sont tournent vers le centre de l’écran lors de la phase de test commence.
5. Enfin, pour chaque catégorie de l’apprentissage, conception deux essai essais, chacune mettant en vedette deux exemplaires affiché by-side. Veiller à ce que les deux essais de test, un seul exemplaire représentera le point médian de la catégorie désormais familière, tandis que l’autre représente le point médian de la catégorie roman.
   1. Contrebalancer les procès afin que le positionnement gauche/droite de la roman exemplaire dans l’épreuve du procès est inversé à travers des vidéos.
   2. Télécharger ces test essais du logiciel eye-tracker, positionnant après l’attention après familiarisation-getter. Contrebalancer la présentation de ces essais afin que chaque enfant a une chance égale de voir un essai roman-gauche ou droit-roman.
   3. Assurer ce essai essais durent au moins 5 s et jusqu'à 20 s, afin que les enfants initialement à la recherche de suite pour accumuler suffisamment à la recherche.

[Insérer ici le Figure 1 ]

4. procédure d’étude

1. Avant l’arrivée de l’enfant, mis en place le système de suivi oculaire.
   1. Attribuer au hasard le nourrisson à une condition et une ordonnance.
   2. Ouvrez le logiciel eye-tracker et sélectionnez la paire condition/ordre assigné.
   3. Maintenant, entrez le nombre de participants pour cet enregistrement.
2. Après avoir effectué le processus de consentement, porter le nourrisson et l’aidant à la salle de l’oculométrie. Assurez-vous que la pièce est modérément éclairée sans aucune source de distraction décorations sur les murs.
3. Placez une chaise en face de l’eye-tracker à une distance appropriée pour le modèle de l’eye-tracker utilisé. Siège du soignant dans ce fauteuil et l’enfant sur les genoux du préposé. Si l’enfant ne veut pas s’asseoir sur les genoux de l’aidant, ils peuvent s’asseoir sur leurs propres, ou ils peuvent s’asseoir dans un siège d’auto.
4. Si l’enfant est assis sur les genoux du préposé, instruire l’aidant ne pas à influencer le comportement des enfants en bas âge en quelque sorte, mais pour essayer de garder le nourrisson centré sur les genoux du préposé. Fournir des soignants avec une paire de lunettes de soleil noirci à porter afin qu’ils ne peuvent pas voir les stimuli.
5. Demandez à l’enfant de regarder l’écran de l’eye-tracker ; envisager d’affichage d’une image ou une vidéo d’attirer leur attention engageante. Positionnez l’écran pour que les yeux des bébés sont dans la fenêtre d’étalonnage.
6. Effectuez la procédure d’étalonnage de l’eye-tracker. Utiliser un étalonnage sur cinq points si possible, mais moins complètes étalonnages sont également susceptibles d’être adéquate. Les enfants répondent souvent mieux lorsque l’image de calibration est une animation avec accompagnement auditif.
7. Si l’enfant passe d’étalonnage, puis commencer l’expérience. Si ce n’est pas le cas, recalibrer jusqu'à ce qu’elles réussissent. Tout les nourrissons qui ne peuvent pas être étalonnés sont exclus.
8. Si plusieurs expériences sont exécutées consécutivement, ou si une seule expérience est assez longue, envisager de re-calibrage après chaque section.

5. analyse

1. Utilisez le logiciel d’analyse de données pour effectuer cette analyse (voir, par exemple, Table des matières).
2. Créer des zones d’intérêt (zi) autour des positions exemplaire sur les côtés gauche et droit de l’écran.
3. Pour les essais de familiarisation, utilisent l’AOI approprié pour évaluer les nourrissons de temps passé à la recherche de l’exemplaire affiché sur chaque essai. Exclure tout nourrisson qui ne montre pas soutenue à la recherche d’une majorité des modèles (par exemple, exigent que les enfants fréquentent à 4 sur une possible 6 exemplaires de familiarisation au moins 25 % de ces essais).
4. Pour l’essai, comprennent seulement des nourrissons de 5 premiers s d’accumulés à la recherche. Pour les enfants plus jeunes, de 3 à 12 mois d’âge, envisagez d’utiliser une fenêtre plus longue par exemple 10 secondes de recherche accumulés. Considèrent pas les bébés qui montrent pas suffisamment soutenue en regardant test (p. ex., accumulent moins de 2,5 s de la recherche) ou qui n’ont pas regarder à la fois des modèles.
5. Maintenant créez un score de préférence pour le test de chaque enfant du procès en divisant la quantité de temps passé à la recherche pour le roman exemplaire par le montant total de temps à chercher à deux exemplaires. Pour analyser ces proportions, transforment tout d’abord avec un logit empirique ou arc-sin-racine carrée pour les rendre appropriés pour l’analyse des modèles linéaires.
6. Pour une analyse temporelle du comportement à la recherche de nourrissons lors du test, séparer les données en petits bacs (par exemple, entre 10 et 100 ms) et de calculer un score de préférence au sein de chaque bac pour chaque enfant.
7. Effectuer une analyse des données temps, vérifier si le modèle d’enfants en bas âge de regarder tout au long de l’essai varie selon la condition. Note que plusieurs formes d’analyse peuvent répondre à cette question, y compris une analyse de permutation axée sur le cluster²⁰, comme démontré ici et modélisation de courbe de croissance. ²¹
   1. Pour une analyse de permutations axée sur le cluster, sélectionnez un seuil de valeur t, correspondant au niveau alpha désiré (alphas plage de.01 à recommandée. 20 ; remarque que cette valeur alpha ne représente pas alpha, simplement le niveau du test global requis pour temps-des contenants individuels pour dépasser le seuil). Somme de la t-statistique pour chaque fois consécutive-bin qui dépasse le seuil t choisi ; ces t-statistiques cumulatives indiquent la taille des divergences entre les conditions dans les données.
   2. Pour déterminer si ces divergences sont plus importants que prévu, par hasard, effectuez au moins 1 000 simulations avec les étiquettes de condition mélangées au hasard. Évaluer les divergences de la data unshuffled contre cette distribution axée sur la chance.
      NOTE : C’est cette comparaison de la divergence originale contre la distribution axée sur le hasard qui détermine le taux de faux positifs de l’analyse, plutôt que le nombre de temps-bacs dans lequel t-tests ont été menés ou même le seuil de valeur t sélectionné pour ces t-tests initiaux. Par conséquent, cette analyse fournit une alternative conservatrice au rapport directement les résultats de plusieurs tests t dans l’ensemble de temps-bacs prédéterminées (par exemple, des tests toutes les 500 ms).

Résultats

En utilisant le protocole ci-dessus, nous avons couru deux expériences²². Les analyses ont été effectuées avec le paquet de eyetrackingR ²³, et le code et les données sont disponibles à https://github.com/sandylat/ssl-in-infancy. Dans la première expérience, nous avons comparé un état entièrement supervisé (n = 24, M_âge = 26.8 mo), mettant en vedette uniquement étiquetés exemplaires, avec une condition non supervis...

Discussion

Nous présentons ici une procédure permettant d’évaluer le rôle de l’étiquetage dans la catégorisation. En présentant 2 ans avec un mélange réaliste des exemplaires étiquetés et sans étiquette, nous démontrons que les très jeunes enfants sont capables d’apprendre dans un environnement semi-supervisé, s’étendant de travail avec les adultes et les enfants plus âgés^24,25 . Ainsi, cette méthode offre une résolution au paradoxe posée ci-des...

matériels

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