La variabilità intra-individuale nell'esecuzione del compito dopo il training cognitivo è associata ai risultati a lungo termine nei bambini Parte 1

Astratto

I potenziali benefici e gli effetti meccanicistici dell’allenamento della memoria di lavoro (WMT) nei bambini sono oggetto di molte ricerche e dibattiti. Abbiamo dimostrato che dopo cinque settimane di WMT adattivo a scuola, i bambini della scuola primaria di età compresa tra 6 e 9 anni avevano una maggiore attività nelle regioni cerebrali prefrontali e striatali, una maggiore precisione del compito e una ridotta variabilità intra-individuale nei tempi di risposta rispetto ai controlli. Utilizzando un modello decisionale a campionamento sequenziale, dimostriamo che questa riduzione della variabilità intra-individuale può essere spiegata da modifiche ai tassi e alle soglie di accumulo delle prove. Fondamentalmente, la variabilità intra-individuale è utile per quantificare l’impatto immediato degli interventi di formazione cognitiva, essendo un migliore predittore delle capacità accademiche e del benessere 6-12 mesi dopo la fine della formazione rispetto all’accuratezza del compito.

L'allenamento della memoria di lavoro dei bambini si riferisce al miglioramento della memoria e delle capacità di pensiero dei bambini attraverso una serie di attività pratiche. La memoria di lavoro è una parte importante del cervello umano. È responsabile dell’elaborazione della nostra memoria a breve termine e può aiutare le persone a elaborare e archiviare meglio le informazioni. Pertanto, i bambini devono migliorare la formazione della memoria di lavoro.

Il processo di formazione deve essere mirato al livello cognitivo e alle caratteristiche di età dei bambini, in particolare ai problemi di memoria che i bambini incontrano nella vita quotidiana, in modo che possano utilizzare la memoria in modo più efficiente nella vita quotidiana.

L’allenamento della memoria di lavoro può essere applicato a molte attività intellettuali diverse, come il ragionamento logico, la comprensione del linguaggio, la percezione spaziale e la risoluzione di problemi, solo per citarne alcune. Attraverso questa formazione, i bambini possono migliorare le loro capacità analitiche, di giudizio e di risoluzione dei problemi.

Inoltre, il miglioramento della memoria di lavoro è strettamente correlato anche al rendimento scolastico dei bambini. L’apprendimento richiede che abbiamo una forte capacità di memoria per padroneggiare la conoscenza. Pertanto, un allenamento efficace della memoria di lavoro può aiutare i bambini ad apprendere meglio le conoscenze e a migliorare il loro rendimento scolastico.

In breve, l'allenamento della memoria di lavoro dei bambini ha un effetto positivo sulla crescita dei bambini. Durante il processo di formazione, dobbiamo concentrarci sulla comprensione delle personalità e delle caratteristiche dei bambini e far sentire loro la felicità e il senso di realizzazione che la formazione porta ai loro progressi. Crediamo che con il supporto di genitori e insegnanti, i bambini possano migliorare continuamente le loro capacità di pensiero e la memoria attraverso l'allenamento della memoria di lavoro. Si può vedere che dobbiamo migliorare la nostra memoria. La Cistanche deserticola può migliorare significativamente la memoria perché la Cistanche deserticola è un materiale medicinale tradizionale cinese con molti effetti unici, uno dei quali è quello di migliorare la memoria. L'efficacia della carne macinata deriva dai vari principi attivi che contiene, tra cui acidi, polisaccaridi, flavonoidi, ecc. Questi ingredienti possono promuovere la salute del cervello in vari modi.

Fare clic su modi per migliorare la funzione cerebrale

Nel loro insieme, i nostri risultati suggeriscono che il controllo dell’attenzione è il meccanismo iniziale che porta ai benefici a lungo termine del WMT adattivo. Le capacità di attenzione selettiva e sostenuta possono fungere da impalcatura per successivi cambiamenti nei processi cognitivi superiori, nelle capacità accademiche e nel benessere generale. Inoltre, questi risultati evidenziano che la selezione delle misure di risultato e la tempistica delle valutazioni svolgono un ruolo cruciale nel rilevare l’efficacia della formazione. Pertanto, la valutazione della variabilità intra-individuale, durante o direttamente dopo la formazione, potrebbe consentire la personalizzazione anticipata degli interventi formativi in ​​termini di durata o contenuto per massimizzarne l’impatto.

PAROLE CHIAVE

Controllo dell'attenzione, bambini, training cognitivo, fMRI, variabilità intra-individuale, memoria di lavoro.

1. INTRODUZIONE

I programmi di formazione cognitiva hanno ricevuto notevole attenzione nel corso degli anni dato il loro potenziale di migliorare le capacità cognitive nelle popolazioni sane e cliniche. Tuttavia, l’efficacia e la persistenza dei benefici derivanti dai programmi di allenamento cognitivo sono ancora oggetto di un attento esame e di un acceso dibattito (Au et al., 2015; Bogg & Lasecki,2014; Cortese et al., 2015, Karbach & Verhaeghen, 2014; Melby-Lervag et al., 2016; Sala & Gobet, 2020, Schwaighofer et al., 2015; Smidet al, 2020, Wass et al, 2012). Sebbene sia stato dimostrato che i programmi di allenamento cognitivo migliorano le prestazioni in compiti simili non addestrati (near-transfer), le prove del trasferimento ad abilità cognitive in altri domini (far-transfer) rimangono più scarse e controverse (Au et al..2015; Cortese et al., 2015, Delalande et al., 2020; Gilligan et al., 2020; Jones et al., 2020; Karbach e Verhaeghen, 2014; Melby-Lervag et al., 2016; Sala e Gobet, 2020; Schwaighofer et al. ., 2015; Smid et al., 2020). Manca ancora una comprensione sufficiente dei tipi di abilità e abilità cognitive che sono più utili da allenare, dei tipi di metodi di allenamento e dei dosaggi che funzionano meglio per particolari abilità e dei tipi di individui che possono trarre benefici sufficienti da giustificare il tempo e il denaro costi degli interventi di training cognitivo.

Come per molti aspetti della formazione cognitiva, la portata degli effetti di trasferimento sui risultati accademici è oggetto di un intenso dibattito. I miglioramenti nel rendimento scolastico sembrano essere più forti per l’ambito della lingua e della lettura e meno consistenti in matematica, anche se questo varia a seconda del tipo di regime di formazione e del campione di studio (vedi Sala & Gobet, 2020 e Titz & Karbach, 2014 per revisione e meta -analisi). Ad esempio, ci sono rapporti secondo cui gli effetti di trasferimento iniziale alla matematica non persistono tre mesi dopo (Jones et al., 2020) e che i bambini con scarsa capacità di memoria di lavoro mostrano abilità matematiche peggiori rispetto a un normale gruppo di controllo con istruzione in classe 2 anni dopo la memoria di lavoro. formazione (WMT) (Roberts et al., 2016). D’altra parte, uno studio recente ha rilevato che gli effetti della formazione possono emergere e aumentare nel tempo in un gruppo di oltre 500 bambini di prima elementare che non sono stati preselezionati sulla base delle capacità di memoria di lavoro (Berger et al., 2020).

Questo studio ha rilevato che i benefici del trasferimento a distanza dal WMT adattivo alle competenze accademiche erano evidenti solo 6-12 mesi dopo la fine della formazione. Inoltre, questo lavoro ha dimostrato che cinque settimane di WMT adattivo durante l’anno di prima elementare hanno portato ad una maggiore probabilità di accedere al percorso accademico più alto del sistema di scuola secondaria tedesco 3-4 anni dopo. Considerati i risultati aggregati di più studi, è chiaro che i disegni di studi longitudinali che includono misure di follow-up su più anni saranno importanti per determinare la potenziale efficacia di diversi tipi e/o dosi di training cognitivo, soprattutto per i bambini.

È importante comprendere i cambiamenti cognitivi e neurobiologici che avvengono durante o subito dopo l’allenamento. Presumibilmente, questi effetti prossimali consentono l’eventuale emergere di benefici ad ampio raggio in futuro. Il livello di attenzione può determinare quanto bene vengono ricordate le informazioni (Gazzaley & Nobre, 2012). I processi della memoria di lavoro, definiti come l'immagazzinamento temporaneo e la manipolazione delle informazioni che consentono l'esecuzione di compiti cognitivi complessi (Baddeley, 1996; Baddeley, 2010), sono quindi strettamente correlati al controllo dell'attenzione.

Ci riferiamo alla capacità di coordinare e allocare l'attenzione agli stimoli rilevanti nell'ambiente indipendentemente dalle distrazioni e dall'affaticamento come controllo dell'attenzione (Cartwright, 2012; Corbetta & Shulman, 2002; Norman & Shallice, 1983). La memoria di lavoro richiede il controllo dell'attenzione per mantenere e rivalutare le informazioni rilevanti per il compito bloccando al contempo le interferenze provenienti da informazioni irrilevanti per il compito (Engle, 2018; Fukuda & Vogel, 2011; Kane et al., 2008; Mcnab & Klingberg, 2008). Sia la memoria di lavoro che i processi di controllo dell'attenzione si basano su reti cerebrali fronto-parietali e striatali (Klingberg, 2010). È stato segnalato che l'allenamento cognitivo altera la struttura e la funzione del cervello, con cambiamenti indotti spesso osservati nelle regioni prefrontale, parietale e striatale (Astle et al., 2015; Buschkuehl et al., 2012; Flegal et al., 2019; Klingberg, 2010 ; McNab et al., 2009; Salmi et al., 2018; Schneiders et al., 2012).

Queste sono regioni cruciali che supportano funzioni esecutive come la memoria di lavoro e il controllo dell'attenzione (D'Esposito & Postle, 2015; Frank et al., 2001; Mcnab & Klingberg, 2008; Owen et al., 2005; Wager & Smith, 2003). Gli studi di brain imaging suggeriscono che il trasferimento efficace da competenze addestrate a competenze non addestrate richiede che entrambi i processi cognitivi coinvolgano, almeno parzialmente, sistemi cerebrali strutturali e funzionali che si sovrappongono (Dahlin et al., 2008; Morrison & Chein, 2011). Pertanto, per essere più vantaggiosi, i programmi di allenamento cognitivo dovrebbero facilitare gli sviluppi neurali che consentano un coinvolgimento più efficace ed efficiente di tali sistemi neurali condivisi.

Sono necessarie misure sensibili e affidabili dei cambiamenti nelle funzioni mentali e neurali per rilevare gli effetti immediati degli interventi di formazione e per prevedere i benefici a lungo termine della formazione. Nel presente lavoro testiamo l’ipotesi che la variabilità intra-individuale nei tempi di risposta possa essere utile a questo riguardo. Le misure di variabilità intra-individuale basate sull'accuratezza o sui tempi di risposta sono più informative delle misure di accuratezza media quando si cerca di comprendere i meccanismi attraverso i quali gli effetti benefici della formazione cognitiva potrebbero trasferirsi alle competenze accademiche (Karbach & Unger, 2014; Könen & Karbach, 2015) , per anticipare i benefici a lungo termine nel rendimento accademico (Judd et al., 2021) e per facilitare l'identificazione di quegli individui che trarrebbero maggiori benefici dall'intervento formativo (Karbach & Unger, 2014; Könen & Karbach, 2015; MacDonald et al., 2009; Saville et al., 2011).

Sono stati utilizzati diversi metodi per quantificare e distinguere tra diversi processi cognitivi che possono dare origine a variabilità intraindividuale nei tempi di risposta. Il coefficiente di variazione individuale (ICV) è una misura comune, calcolata come un rapporto diretto tra la deviazione standard rispetto alla media. Inoltre, la forma della distribuzione del tempo di risposta può essere parametrizzata adattando modelli ex gaussiani (Geurts et al., 2008; Hervey et al., 2006; van Belle et al., 2015) e potenziali fonti di variabilità possono essere distinti in base all'adattamento dei modelli decisionali di diffusione (DDM) (Forstmann et al., 2016; Karalunas & Huang-Pollock, 2013; Ratcliff et al., 2016; Schmiedek et al., 2009). Inoltre, i DDM possono essere utilizzati anche per misurare e comprendere gli effetti dell’attenzione sulla performance del compito e sul processo decisionale (Cavanagh et al., 2014; Krajbich & Rangel, 2011; Krajbich et al., 2015).

La variabilità intra-individuale nelle prestazioni è associata alle capacità cognitive e alle funzioni cerebrali prese di mira dagli interventi di allenamento cognitivo (Castellanos et al., 2005; Geurts et al., 2008; Judd et al., 2021; Kofler et al., 2013; MacDonald et al., 2006). La variabilità intra-individuale è anche associata alla funzione cerebrale prefrontale e alla neuromodulazione dopaminergica (Ilg et al., 2018; Johnson et al., 2015; MacDonald et al., 2006, 2009; Papenberg et al., 2013; Tamnes et al., 2012; van Belle et al., 2015), in particolare le capacità inibitorie e di controllo cognitivo mediate dai sistemi cerebrali dopaminergici frontali e sottocorticali (Bellgrove et al., 2004; Isbell et al., 2018; Montez et al., 2017; van Belle et al., 2015).

Le misure della variabilità intra-individuale possono essere particolarmente utili quando si confrontano gruppi eterogenei, come bambini e adolescenti il ​​cui sviluppo cognitivo è ancora in corso o popolazioni con difficoltà cognitive come ADHD o autismo (Castellanos et al., 2005; Dirk & Schmiedek, 2016 ; Geurts et al., 2008; Karalunas et al., 2014; Könen & Karbach, 2015). Coerentemente con il modello ben consolidato dello sviluppo cerebrale e cognitivo nel corso della vita, la variabilità intra-individuale mostra un’associazione a forma di U rovesciata con l’età, diminuendo dall’infanzia attraverso l’adolescenza fino alla giovane età adulta e aumentando nuovamente in età avanzata (Montez et al. ., 2017; Papenberg et al., 2013; Williams et al., 2005).

Un vantaggio delle misure di variabilità intra-individuale è che catturano non solo il risultato, ma anche l’efficienza dei processi cognitivi. Una maggiore variabilità nei tempi di risposta è associata a difficoltà nel controllo dell’attenzione o nella capacità di mantenere l’attenzione e gli obiettivi (Unsworth, 2015). Una migliore capacità cognitiva, una maggiore efficienza o stabilità dei processi cognitivi sono stati tutti ipotizzati come potenziali meccanismi alla base dell’impatto degli interventi formativi (von Bastian & Oberauer, 2014). La mancanza di attenzione durante l'esecuzione del compito potrebbe indicare un'implementazione incoerente piuttosto che una capacità ridotta o una funzione anormale. Tale incoerenza nell’implementazione dei sistemi cognitivi rilevanti potrebbe non essere associata a una ridotta accuratezza se il compito o il test non è abbastanza difficile e/o fornisce solo misure grossolane di accuratezza, ma potrebbe comunque compromettere in modo significativo il rendimento scolastico nei bambini (Judd et al., 2021 ). L’implementazione incoerente di processi cognitivi comportamentalmente rilevanti può modificare la distribuzione del tempo di risposta. Questi effetti non porteranno necessariamente a differenze nei tempi di risposta medi, ma possono essere quantificati attraverso vari parametri di variabilità del tempo di risposta intra-individuale (Ali et al., 2019; Geurts et al., 2008; van Belle et al., 2015).

La variabilità intra-individuale è stata infatti associata a cadute di attenzione. Ciò è stato dimostrato nei bambini con ADHD che spesso mostrano RT anormalmente lunghi in un sottoinsieme di studi (Hervey et al., 2006; van Belle et al., 2015). Rispetto alle misure di tendenza centrale (ad esempio, media o mediana), le misure di variabilità intra-individuale sono più sensibili all'affaticamento nei giovani adulti (Wang et al., 2014) o ai problemi di attenzione valutati esternamente (Gómez-Guerrero et al., 2011) e per classificare correttamente i pazienti con ADHD (Klein et al., 2006). Pertanto, le metriche di variabilità intra-individuale potrebbero plausibilmente rilevare cambiamenti causati da interventi di formazione che non possono (ancora) essere catturati da misure di prestazione media perché le misure di variabilità della prestazione sono più sensibili all’efficienza dei processi cognitivi.

Lavori recenti hanno dimostrato che la variabilità delle prestazioni è correlata alle capacità di memoria di lavoro, alla formazione e al trasferimento alle competenze accademiche. La variabilità intra-individuale nell'accuratezza all'interno e tra le sessioni dei compiti di memoria di lavoro è stata associata al rendimento scolastico nei bambini delle scuole di 3a e 4a elementare (Dirk & Schmiedek, 2016) e uno studio recente su bambini di 6-anni ha mostrato che la variabilità intra-individuale dopo l'allenamento cognitivo della memoria di lavoro era associata alle prestazioni in matematica 3 anni dopo (Judd et al., 2021). Data l’associazione predittiva tra rendimento scolastico a scuola e benessere in età adulta (Tomasik et al., 2019), è importante indagare l’impatto di qualsiasi formazione cognitiva sul rendimento scolastico.

In sintesi, ci sono ragioni sufficienti per ipotizzare che le metriche di variabilità del tempo di risposta intraindividuale possano rilevare effetti dell’allenamento a breve termine e possano essere utili nel prevedere il grado di benefici a lungo termine. Qui, testiamo l’ipotesi che la variabilità intra-individuale nella prestazione del compito – quantificata attraverso i tempi di risposta – possa essere utilizzata per valutare l’efficacia dell’allenamento a breve termine ed è correlata con futuri effetti di trasferimento a distanza. Utilizziamo una combinazione di compiti cognitivi (N-Back e Flanker), risonanza magnetica funzionale (fMRI) e modelli decisionali di diffusione delle prestazioni individuali per esaminare gli effetti di cinque settimane di WMT adattivo sul cervello e sulla funzione cognitiva nei bambini di prima elementare .

La nostra ipotesi specifica era che il WMT avrebbe apportato benefici alle prestazioni sui compiti N-Back e Flanker a breve termine, aumentando la precisione e riducendo la variabilità intra-individuale nei tempi di risposta. Abbiamo anche ipotizzato che la ridotta variabilità del tempo di risposta a seguito del WMT sarebbe associata all'attivazione cerebrale in regioni chiave della memoria di lavoro come la corteccia prefrontale dorsolaterale e lo striato. Inoltre, abbiamo ipotizzato che, se il WMT influenzasse la capacità o la motivazione a prestare attenzione selettivamente alle informazioni rilevanti per il compito, allora dovremmo vedere differenze nei tassi di deriva stimati per il DDM tra i gruppi di formazione e di controllo. Infine, date le prove esistenti di associazioni tra variabilità intra-individuale e funzione cognitiva in diverse popolazioni psichiatriche e di invecchiamento, abbiamo ipotizzato che le misure di variabilità intra-individuale sarebbero indicative di risultati futuri ai successivi 6 e 12- mesi successivi. valutazioni. Testiamo queste ipotesi utilizzando tre set di dati indipendenti.

2 METODO

2.1 Partecipanti

Per questo articolo, abbiamo analizzato i dati di tre campioni separati di bambini (N=28, 572 e 11.878). Descriviamo i partecipanti e le attività utilizzate nei due campioni di replica concettuale più ampi nella sottosezione 2.7 di seguito. Il campione iniziale di fMRI includeva 28 bambini della scuola primaria con sviluppo tipico di età compresa tra 7 e 9- anni (età media=93 mesi, DS=5 mesi, 14 femmine, gruppo di allenamento per la memoria di lavoro [WMT] { {13}}, gruppo di confronto [CMP]=12). Questi bambini sono stati reclutati da uno studio di intervento in corso su oltre 500 bambini e 29 classi diverse. Il comitato etico locale (Kantonale Ethikkommission Zürich) ha approvato tutte le procedure e i metodi utilizzati durante questo studio.

2.2 Programma di formazione cognitiva

Le procedure di formazione consistevano in un intervento di cinque settimane e quattro ondate di valutazione, una pre-intervento (baseline), una immediatamente dopo la fine dell'intervento di cinque settimane e due ondate di follow-up rispettivamente a 6 e 12-13 mesi. . La batteria di valutazione comprendeva test di memoria di lavoro e QI (digit span, location span, object span, test di Raven), risultati educativi (numerazione matematica e geometria matematica, abilità di lettura) e test di concentrazione (Go/NoGo e compito BP).

Il programma di formazione sulla memoria di lavoro implementato è stato RoboMemo1 di Cogmed. Si tratta di un programma computerizzato, altamente adattivo alle prestazioni individuali, implementato tramite computer portatili dotati di cuffie per le istruzioni vocali e di un mouse esterno. L'intervento consisteva in una sessione WMT giornaliera al giorno (durata ∼30 minuti), per 5 settimane (25 sessioni). Ciascuna sessione di formazione comprendeva sei moduli adattivi (compiti di memoria di lavoro), comprese 12 prove (75 prove in totale). Durante l'intervento in ogni classe era presente uno studente allenatore appositamente formato.

Confrontiamo il gruppo WMT con i bambini che hanno ricevuto istruzione in classe standard (N=3) o formazione sull'autoregolamentazione nel corso di sei lezioni scolastiche (N=9). In queste lezioni, l’insegnante ha insegnato una versione della tecnica del contrasto mentale con le intenzioni di implementazione (MCII) (Duckworth et al., 2013) adattata alla fascia di età rilevante e al contesto della classe.

2.3 Compiti cognitivi e decisionali post-allenamento

Attività di memoria di lavoro (N-Back): l'attività di memoria di lavoro di progettazione del blocco minimo 11- è composta da quattro condizioni (Figura S1a). Nella condizione '0-Indietro, devono rispondere ogni volta che vedono l'immagine di un sole sullo schermo. Nelle condizioni '1-Indietro', '2-Indietro' e '3-Indietro', devono rispondere ogni volta che l'immagine sullo schermo è uguale a 1, 2 o 3 prima di esso, rispettivamente. I dati sulle prestazioni sono stati registrati durante la scansione. Le principali variabili prestazionali sono l'indice d-prime (d'=z(HitRate) – z(FalseAlarms)) e il coefficiente di variazione intra-individuale (ICV=SDRT/MRT) per ciascuna lavorazione condizione di memoria.

Attività di Flanker: l'attività relativa a 11-minuti di eventi è stata progettata sulla base di Rueda et al. (2004). Ai partecipanti sono state presentate 240 prove (Figura S1b). Ogni prova consisteva in una fila centrale di cinque pesci gialli su sfondo blu.

È stato loro chiesto di "nutrire" il pesce situato al centro dello schermo. Per fare ciò, il bambino doveva premere il pulsante destra/sinistra sulla pulsantiera, a seconda della direzione del pesce centrale e ignorando la direzione dei fianchi. Le principali variabili di prestazione sono la percentuale di risposte corrette e il coefficiente di variazione intra-individuale nei tempi di risposta. Inoltre, adattiamo un modello di diffusione delle decisioni ai risultati e ai tempi della risposta per determinare la/le fonte/i della variabilità differenziale nella prestazione (vedere Sezione 2.4.2). Infine, per il confronto con gli articoli pubblicati in precedenza, abbiamo anche condotto un’analisi post-hoc dei dati RT utilizzando l’approccio ex-gaussiano. Sulla base di studi precedenti (Geurts et al., 2008; Hervey et al., 2006; van Belle et al., 2015), ci aspettavamo differenze tra i gruppi nei parametri della componente esponenziale della distribuzione ex-gaussiana degli RT.

Per completezza, notiamo che i bambini hanno anche completato un compito di scelta intertemporale simile a quello di Steinbeis et al. (2014) mentre si trovava nello scanner, che è stato somministrato per testare un'ipotesi separata da quella su cui ci concentriamo in questo articolo.

Ulteriori dettagli sui tre compiti possono essere trovati nei Metodi Supplementari.

2.4 Analisi dei dati comportamentali

Due dei 28 bambini del campione fMRI si sono ritirati dallo studio dopo il primo compito (in entrambi i casi, il compito di scelta intertemporale). Per tre partecipanti si sono verificati errori tecnici nella raccolta dei dati sulle prestazioni durante l'attività Flanker, che hanno comportato l'esclusione di un partecipante a causa della completa perdita dei dati sulle prestazioni, e per due partecipanti è stato possibile utilizzare nell'analisi solo un'esecuzione dell'attività.

2.4.1 Regressioni sulle prestazioni comportamentali

Le analisi statistiche sono state condotte utilizzando RStudio (versione 1.1.442) (RStudio Team 2020).

Abbiamo studiato le differenze tra i gruppi addestrati e non addestrati sulle principali variabili di prestazione dei compiti subito dopo il WMT. Per fare ciò, abbiamo condotto un modello lineare generale (GLM) per i compiti NBack e Flanker con il gruppo di allenamento (WMT vs. CMP) come fattore di effetti e condizione del compito (N-Back: memoria di lavoro alta vs. bassa; Flanker: congruente vs. . incongruente) come fattori ad effetti casuali.

2.4.2 Analisi del modello di diffusione delle decisioni

Abbiamo utilizzato un approccio gerarchico bayesiano per adattare i parametri del modello di diffusione delle decisioni (DDM) al compito Flanker utilizzando JAGS (Plummer, 2003) e il modulo JAGS-Wiener (Wabersich & Vandekerckhove, 2014) insieme al pacchetto jags (Plummer, 2018) in R. Abbiamo utilizzato la raccomandazione a priori per la modellazione decisionale della diffusione gerarchica in Wiecki et al. (2013). L'adattamento è stato eseguito con tre catene, 100,000 campioni di burn-in e 10,000 campioni posteriori con un tasso di assottigliamento di 10 campioni. La convergenza è stata valutata utilizzando l'ispezione visiva e assicurando che le misure del psrf fossero inferiori a 1,05 per tutti i parametri. I tassi di deriva sono stati calcolati come combinazione lineare ponderata degli stimoli target e non target per distinguere il contributo relativo di ciascuno al tasso di accumulo delle prove. Qui adattiamo il DDM al comportamento dei bambini nel compito Flanker. Non abbiamo adattato i dati dell'attività N-Back perché richiedeva risposte solo su studi target, che rappresentavano una piccola minoranza (25%) di tutti gli studi.

Nella nostra specificazione del DDM, l’entità dei coefficienti del tasso di deriva ci informa su quanto fortemente ciascuno stimolo influenza i processi di accumulo delle prove. Nel compito del flanker, i bambini dovrebbero concentrarsi sul pesce bersaglio perché da solo fornisce la prova della risposta corretta in ogni prova. La direzione in cui sono rivolti i pesci distrattori fiancheggianti è irrilevante e dovrebbe essere ignorata. Pertanto, abbiamo specificato il tasso di deriva secondo l'equazione (1) di seguito. Abbiamo ipotizzato che 1–2 (cioè il peso delle informazioni rilevanti meno quelle irrilevanti) dovrebbe essere maggiore nel gruppo WMT che nel gruppo CMP.

2.5 Raccolta e analisi dei dati fMRI

Le descrizioni dettagliate della preelaborazione fMRI, dei parametri di scansione e del GLM fMRI sono disponibili nei Metodi supplementari.

2.6 Associazioni tra prestazioni dei compiti cognitivi post-allenamento

Abbiamo studiato se le misure di variabilità intra-individuale calcolate immediatamente dopo la formazione potessero servire come indicatori di risultati futuri rilevanti nelle successive valutazioni di follow-up. Nello specifico, abbiamo esaminato il punteggio totale dell'SDQ (Woerner et al., 2002), una misura di screening del comportamento e del benessere psicologico tipicamente somministrata in contesti clinici per identificare aree potenzialmente problematiche in un bambino che meritano un'ulteriore valutazione da parte di uno specialista. L'SDQ è stato compilato dai genitori 6 mesi dopo la formazione. Abbiamo anche esaminato i test sul rendimento scolastico in lettura e due sottoscale matematiche (geometria e aritmetica) condotti 12 mesi dopo la formazione. Ci siamo concentrati su queste competenze accademiche specifiche a causa dei risultati del campione indipendente in Berger et al. (2020), che mostrano che WMT ha migliorato la geometria e i punteggi di lettura, ma non l'aritmetica.

Per indagare se le misure di variabilità intra-individuale potessero essere indicative dei risultati futuri nelle successive valutazioni di follow-up in tutti i gruppi di intervento, abbiamo condotto analisi di regressione lineare robusta bayesiana. Queste analisi hanno testato se i cambiamenti nell'SDQ e nelle abilità accademiche (cioè il controllo dei punteggi di base) potessero essere spiegati dall'accuratezza dei bambini (d-prime) o dalla variabilità del tempo di risposta nei compiti cognitivi eseguiti alla fine del periodo di formazione. Nello specifico, abbiamo utilizzato il coefficiente di variazione nei tempi di risposta e i punteggi d-prime del compito N-Back e le stime dei tassi di deriva DDM del compito flanker per spiegare i risultati futuri. Per alcuni bambini mancavano alcune misure di follow-up o di variabilità intra-individuale (il numero massimo di valori mancanti per qualsiasi misura era 4). Per utilizzare il maggior numero possibile di dati dal nostro piccolo campione fMRI, abbiamo imputato i valori mancanti utilizzando il pacchetto "mice" (van Buuren & Groothuis-Oudshoorn, 2011) in R. Abbiamo generato 10 diversi set di dati imputati e adattato le regressioni lineari bayesiane a ciascuno di essi utilizzando il pacchetto R, "brms" (Bürkner, 2018) come interfaccia con STAN (Stan Development Team, 2020). Abbiamo tratto le nostre inferenze finali dalle distribuzioni a posteriori combinate di tutti e dieci i modelli di regressione robusti per ridurre l'influenza di qualsiasi insieme di valori imputati sui nostri risultati. Ciascuno dei 10 modelli utilizzava variabili dipendenti e indipendenti con punteggio z e valori t di studente a priori per tutti gli effetti fissi (media=0, DS = 1, gradi di libertà=10). Ciascun modello ha utilizzato 6000 campioni MCMC su tre catene indipendenti dopo 1000 campioni di riscaldamento per ciascuna catena e una fase di assottigliamento=5. L'insieme completo delle variabili del regressore e i risultati di queste regressioni sono riportati nella Tabella S7. Tutte le regressioni sono state controllate per la prestazione di base per ciascuna variabile dipendente, che stima effettivamente i cambiamenti nei risultati.

2.7 Replica concettuale e generalizzazione utilizzando campioni indipendenti

Abbiamo testato se gli aspetti fondamentali si sarebbero replicati o generalizzati in due campioni indipendenti e più ampi. La replica concettuale ha coinvolto nuove analisi dei dati di Berger et al. (2020), d’ora in poi denominato studio BFHSW. Lo studio BFHSW è stato condotto in un campione separato di bambini di 1a elementare (età=6–7 anni, media = 6,8 anni, SD=4,3 mesi) rispetto a quello da cui è stato estratto il nostro campione fMRI. Tuttavia, i due studi hanno utilizzato le stesse procedure WMT, nonché molti degli stessi strumenti di valutazione al basale e al follow-up. Queste sovrapposizioni ci consentono di testare l'associazione tra i cambiamenti negli ICV dei tempi di risposta dopo la formazione e la loro associazione con le competenze accademiche al follow-up di 12-mese come il nostro campione fMRI, sebbene calcoliamo gli ICV dei tempi di risposta da un'inibizione della risposta piuttosto che un compito di memoria di lavoro (vedi 2.7.1 per i dettagli). Abbiamo anche testato se l'associazione tra la variabilità intraindividuale nelle prestazioni del compito e le misure del benessere attuale e futuro che abbiamo trovato nel nostro piccolo campione di fMRI si sarebbe generalizzata al gruppo molto più ampio di bambini che hanno preso parte allo studio Adolescent Brain and Cognitive Development (ABCD). (Casey et al., 2018).

Berger et al. (2020) hanno implementato lo stesso intervento WMT e le stesse valutazioni pre e post-formazione negli stessi momenti di follow-up (6 e 12 mesi dopo la fine della formazione) utilizzati nel nostro campione fMRI in un set separato di 572 bambini (6-7 anni). In questo campione, il gruppo WMT comprendeva 279 partecipanti che hanno eseguito lo stesso WMT del nostro campione iniziale. I gruppi di controllo hanno ricevuto istruzione scolastica standard, formazione sull'autoregolamentazione simile al nostro campione iniziale o formazione sul software di apprendimento. Seguendo le procedure stabilite da Berger et al. (2020), abbiamo confrontato la variazione dell’ICV nei tempi di risposta dopo il WMT rispetto ai 101 bambini che hanno ricevuto un’istruzione scolastica standard. Tuttavia, i nostri test primari sull’associazione tra i cambiamenti nell’ICV durante il periodo di intervento di cinque settimane e i miglioramenti nei punteggi di lettura o geometria 1 anno dopo l’allenamento sono stati condotti su 521-565 bambini per i quali disponiamo di tutte le misure rilevanti in ogni momento. punto (vedere le tabelle 1 e 2 per i dettagli).

Nello studio BFHSW abbiamo calcolato la variabilità intra-individuale nei tempi di risposta da un compito di inibizione della risposta invece che da un compito di memoria di lavoro. Questo studio non includeva un compito di memoria di lavoro con risposte sufficientemente rapide da parte di ciascun bambino per calcolare in modo affidabile la variabilità intra-individuale nei tempi di risposta. Comprendeva, tuttavia, un compito Go/Nogo, che misura l’inibizione della risposta, in tutte le ondate di valutazione che potremmo utilizzare per calcolare la variabilità intra-individuale nei tempi di risposta. Pertanto, per testare l'associazione tra i miglioramenti nella variabilità intra-individuale dopo la formazione e il trasferimento a lungo termine alle competenze accademiche, abbiamo calcolato l'ICV come deviazione standard degli RT go-trial divisa per la media degli RT go-trial. Si noti che calcoliamo l'ICV solo dalle prove corrette, proprio come abbiamo fatto per tutte le attività nel campione iniziale e in modo coerente con la procedura standard in letteratura (Bellgrove et al., 2004; Bos et al., 2020; Fagot et al., 2018; Marciano e Yeshurun, 2017). Ci riferiamo a queste analisi come una replica concettuale perché utilizziamo l'attività Go/Nogo invece dell'N-back. Infine, abbiamo testato solo le competenze accademiche nel campione BFHSW perché molti genitori non hanno completato l’SDQ per i propri figli in quello studio.

Adattiamo modelli di regressione lineare utilizzando Stata (StataCorp 2015). Nello specifico, abbiamo seguito i metodi riportati da Berger et al. (2020) e stimate regressioni dei minimi quadrati ordinari con robusti errori standard raggruppati a livello di classe. Tutti i modelli di regressione includevano covariate di controllo per tipo di trattamento, scuola, sesso, età e prestazioni di base in entrambe le variabili dipendenti (geometria o punteggi di lettura) e ICV dal compito Go/Nogo.

For more information:1950477648nn@gmail.com