Neurokognitive Faktoren bei der Reaktion auf EdTech-Interventionen

Das übergeordnete Ziel dieses Vorschlags besteht darin, die Einschränkungen zu beseitigen, die den aktuellen Abhilfeansätzen bei Lesebehinderungen (RD) innewohnen. Konkret wollen die Experimentatoren die Wirksamkeit einer technologiebasierten Intervention für Kinder mit SE anhand einer randomisierten kontrollierten Studie bewerten. Art des Problems. Lesebehinderung (RD) ist die häufigste Lernbehinderung und betrifft 10–15 % der Kinder im schulpflichtigen Alter. Es kommt in allen Lebensphasen zu erheblichen Funktionseinschränkungen. Eine Fülle von Daten dokumentiert lebenslange Benachteiligungen beim Bildungs- und Berufserfolg. Problematisch ist, dass aktuelle evidenzbasierte Leseinterventionen weitgehend auf die Dienste ausgebildeter Fachkräfte angewiesen sind, entweder in gut ausgestatteten Klassenzimmern oder im klinischen Umfeld. Daher sind unterfinanzierte Schulen (oder Länder) häufig nicht in der Lage, ihren Schülern Leseförderung anzubieten. Diese möglicherweise tragische Situation hat das vorgeschlagene Projekt gefördert, das darauf abzielt, eine erschwingliche, vielversprechende, technologiebasierte Behandlung zu evaluieren, die zwei Vorteile hat: Sie kann zu Hause durchgeführt werden und ist außerdem ohne direkte fachkundige Aufsicht durchführbar, wodurch Ressourcen minimiert werden Forderungen. Aktuelle Studien haben die Wirksamkeit technologiebasierter Leseinterventionen bestätigt, insbesondere GraphoLearn, das sich auf die Vermittlung phonologischer Fähigkeiten und der Lautkorrespondenz von Buchstaben konzentriert, allerdings mit bemerkenswerten Unterschieden in der Effektstärke. Wie in einer aktuellen Metaanalyse hervorgehoben, sind die Stichprobengrößen tendenziell klein und es gibt deutliche Unterschiede bei den wichtigsten methodischen Komponenten zwischen den Studien, insbesondere bei der Gameplay-Dosierung (die in den meisten Studien deutlich unter den Expertenempfehlungen liegt), der Kontrollgruppe (z. B. aktiv vs passiv) und Grad der Beteiligung Erwachsener an der Verwaltung. Am relevantesten ist, dass der Nutzen von GraphoLearn außerhalb der Grenzen kontrollierter Schulumgebungen nicht ausreichend untersucht wurde, sodass keine Erkenntnisse über den Wert der Heimverwaltung gewonnen wurden – das wichtigste positive Merkmal von GraphoLearn. Ebenso sind mögliche Prädiktoren für negative Ergebnisse bei der Verabreichung zu Hause unerforscht (z. B. die Einhaltung der vorgeschriebenen Spieldosis, die, wie aus unseren vorläufigen Daten hervorgeht, variieren kann).

Übersicht zu Ziel 1. Das vorgeschlagene Projekt befasst sich mit den mit Abhilfemaßnahmen verbundenen Einschränkungen, indem es eine groß angelegte, randomisierte kontrollierte Studie (RCT) mit zu Hause verabreichtem GraphoLearn bei 450 RD-Kindern (Jungen und Mädchen im Alter von 6,0 bis 10,0 Jahren) durchführt. Um dieses Ziel schnell und mit minimalen Kosten zu erreichen, werden die Experimentatoren Teilnehmer rekrutieren, die im Healthy Brain Network [HBN] eingeschrieben sind, einer laufenden Studie über psychische Gesundheit und Lernstörungen bei Kindern im Alter von 5 bis 21 Jahren. deren Familie Bedenken hinsichtlich Verhalten und/oder Lernen hat (Ziel n = 10.000; aktuelle n = 3.000+). Das HBN umfasst umfassende psychiatrische, kognitive, EEG- und multimodale MRT-Charakterisierungen für alle Teilnehmer und versorgt die vorgeschlagene Studie mit reichhaltigen deskriptiven Daten. Lesebehinderungen werden anhand des TOWRE (Standardwert < 85) identifiziert. Die Kinder werden einem 12-wöchigen/20-stündigen Programm von GraphoLearn oder einer „aktiven“ Kontrollbedingung zugewiesen, wobei die Gruppe hinsichtlich IQ und Leseniveau angepasst wird. Die Kontrolle besteht aus einem Mathe-Spiel, das im Stil GraphoLearn ähnelt, um unspezifische Auswirkungen der Intervention zu kontrollieren, wie z. B. die für das Programm aufgewendete Zeit, Aufmerksamkeit und andere Faktoren. Den in die Kontrollgruppe randomisierten Kindern wird aus ethischen Gründen im Anschluss an die Studie GraphoLearn angeboten. In Übereinstimmung mit den realen Bedingungen sind nicht studienbezogene Interventionen während des Studienzeitraums zulässig. Sie werden zur umfassenden Probenbeschreibung und zur Analyse von Antwortprädiktoren dokumentiert (Ziel 2).

Ziel 1: Bewerten Sie die Wirksamkeit von GraphoLearn an einer großen Stichprobe von Kindern mit SE. Das Leseniveau der Kinder wird vor, während (Woche 6) und am Ende der aktiven Studie (Woche 12) beurteilt. Die verlängerten Wirkungen werden 12 Wochen nach der Behandlung (Woche 24) bewertet. Die Experimentatoren vermuten statistisch signifikante Unterschiede im Leseniveau zugunsten der GraphoLearn-Gruppe gegenüber der Kontrollgruppe in den Wochen 12 und 24. Sollte die Hypothese bestätigt werden, wird sie erhebliche Auswirkungen auf die öffentliche Gesundheit von Kindern mit SE haben (es gibt keinen Anspruch darauf, dass das Programm eine individuelle und von Experten überwachte Leseförderung ersetzen wird).

Überblick über Ziel 2. Die Identifizierung von Faktoren auf Teilnehmer- und Umgebungsebene, die das Ansprechen auf die Behandlung vorhersagen, ist ein wichtiges aktuelles Ziel, wurde jedoch für GraphoLearn nicht berücksichtigt. Bei fachärztlichen Interventionen zeigt sich übereinstimmend, dass ältere Kinder und Kinder mit sprachlichen oder kognitiven Beeinträchtigungen weniger wahrscheinlich davon profitieren. Hier nutzen die Experimentatoren die Vielfalt komorbider klinischer Erscheinungen bei schlechten Lesern in HBN, um mutmaßliche Prädiktoren für das Ansprechen auf die Behandlung zu identifizieren. Im Einklang mit aktuellen Studien, die den Mehrwert gehirnbasierter Funktionen für die Vorhersage von Interventionsergebnissen nahelegen, nutzen die Experimentatoren auch die Verfügbarkeit anatomischer MRT-Daten bei der Entwicklung von Vorhersagemodellen.

Ziel 2. Identifizieren Sie teilnehmerbezogene und umgebungsbezogene Faktoren, die maßgeblich mit den Ergebnissen von GraphoLearn zusammenhängen. Die umfangreichen phänotypischen und bildgebenden Charakterisierungen, die in der HBN-Probe enthalten sind, eignen sich hervorragend für die Untersuchung einer umfangreichen Reihe von Teilnehmer- und Umweltfaktoren, die Behandlungsergebnisse vorhersagen können. Random-Forest-Regressionsmodelle werden verwendet, um Unterschiede in der Interventionsreaktion auf GraphoLearn vorherzusagen, basierend auf einem a priori-Satz von demografischen, kognitiven, emotionalen, Gehirn- und häuslichen Umgebungsvariablen. Unter der Annahme, dass Compliance (d. h. die tatsächlich mit dem Spielen von GraphoLearn verbrachte Zeit im Verhältnis zur vorgeschriebenen Zeit) ein starker Prädiktor für die Reaktion ist, werden in explorativen Analysen auch Prädiktoren für Compliance untersucht, um den realen Wert der vorgeschlagenen Arbeit weiter zu steigern.