Neurokognitiiviset tekijät EdTech-interventiovasteessa

Tämän ehdotuksen yleisenä tavoitteena on puuttua rajoituksiin, jotka ovat luontaisia ​​nykyisille lukukyvyttömyyteen (RD) käytettäville korjaaville lähestymistavoille. Erityisesti kokeiden tarkoituksena on arvioida teknologiaan perustuvan intervention tehokkuutta RD-lapsille käyttämällä satunnaistettua kontrolloitua tutkimusta. Ongelman luonne. Lukuhäiriö (RD) on yleisin oppimisvaikeus, joka vaikuttaa 10–15 %:iin kouluikäisistä lapsista. Se aiheuttaa merkittäviä toimintahäiriöitä kaikissa elämänvaiheissa. Lukuisat tiedot dokumentoivat elinikäisiä haittoja koulutuksen ja ammatin saavuttamisessa. Ongelmallista on, että nykyiset näyttöön perustuvat lukutoimet perustuvat suurelta osin koulutettujen asiantuntijoiden palveluihin joko hyvin resursoiduissa luokkahuoneissa tai kliinisissä ympäristöissä. Näin ollen aliresurssoidut koulut (tai maat) eivät useinkaan pysty tarjoamaan opiskelijoilleen lukemista. Tämä mahdollisesti traaginen tilanne on edistänyt ehdotettua hanketta, jonka tavoitteena on arvioida edullinen, lupaava, teknologiaan perustuva hoito, jolla on kaksi etua: kotihoito ja myös ilman suoraa asiantuntijavalvontaa toteutettavissa olevaa resurssia minimoimalla. vaatii. Viimeaikaiset tutkimukset ovat tukeneet teknologiaan perustuvien lukuinterventioiden tehokkuutta, erityisesti GraphoLearnin, joka keskittyy fonologisten taitojen ja kirjainten äänten vastaavuuden opettamiseen, vaikka tehosteiden koko vaihteleekin huomattavasti. Kuten äskettäisessä meta-analyysissä korostettiin, otoskoot ovat yleensä pieniä, ja keskeisissä metodologisissa osissa on suuria eroja eri tutkimusten välillä, erityisesti pelin annostelussa (joka on useimmissa tutkimuksissa selvästi asiantuntijoiden suositusten alapuolella), kontrolliryhmässä (esim. aktiivinen vs. passiivinen) ja aikuisten osallistuminen hallintoon. Olennaisinta on, että GraphoLearnin hyödyllisyyttä ei ole tutkittu riittävästi valvottujen kouluasetusten ulkopuolella, joten se ei kerro kotihallinnon arvosta - GraphoLearnin tärkeimmistä positiivisista piirteistä. Samoin mahdollisia kotihallinnan negatiivisten tulosten ennustajia ei ole tutkittu (esim. määrätyn peliannoksen noudattaminen, joka voi vaihdella, kuten alustavissa tiedoissamme todetaan).

Yleiskatsaus tavoitteelle 1. Ehdotettu hanke puuttuu korjaavien interventioiden rajoituksiin toteuttamalla laajamittaisen, satunnaistetun kontrolloidun kokeen (RCT) kotona annettavalla GraphoLearnilla 450 vammaisessa lapsessa (pojat ja tytöt, ikä 6,0-10,0). Saavuttaakseen tämän tavoitteen nopeasti ja pienin kustannuksin kokeen tekijät värväävät osallistujia Healthy Brain Networkiin [HBN], joka on meneillään oleva tutkimus mielenterveys- ja oppimishäiriöistä 5,0–21,0-vuotiailla lapsilla. joiden perhe on huolissaan käyttäytymisestä ja/tai oppimisesta (tavoite n = 10 000; nykyinen n = 3 000+). HBN sisältää kattavat psykiatriset, kognitiiviset, EEG- ja multimodaaliset MRI-kuvaukset kaikille osallistujille, jotka tarjoavat ehdotettuun tutkimukseen runsaasti kuvaavaa tietoa. Lukuhäiriöt tunnistetaan TOWRE:n avulla (vakiopistemäärä < 85). Lapset määrätään 12 viikon/20 tunnin GraphoLearn-ohjelmaan tai "aktiiviseen" kontrollitilaan, jossa ryhmä vastaa älykkyysosamäärää ja lukutasoa. Ohjaus koostuu matemaattisesta pelistä, joka on tyyliltään GraphoLearnin kaltainen ja jolla ohjataan intervention epäspesifisiä vaikutuksia, kuten ohjelmaan käytettyä aikaa, huomiota ja muita tekijöitä. Kontrolliryhmään satunnaistetuille lapsille tarjotaan GraphoLearnia tutkimuksen jälkeen eettisistä syistä. Todellisten olosuhteiden mukaisesti opintoihin liittymättömät interventiot ovat sallittuja opintojakson aikana. Ne dokumentoidaan kattavaa näytekuvausta ja vasteen ennustajien analysointia varten (tavoite 2).

Tavoite 1: Arvioi GraphoLearnin tehokkuutta suuressa otoksessa RD-lapsista. Lasten lukutaitoa arvioidaan ennen aktiivista opiskelua, sen aikana (viikko 6) ja sen jälkeen (viikko 12). Laajentuneet vaikutukset arvioidaan 12 viikkoa hoidon jälkeen (viikko 24). Kokeilijat olettavat tilastollisesti merkittäviä eroja lukutasossa GraphoLearn-ryhmän hyväksi verrattuna kontrolliryhmään viikoilla 12 ja 24. Jos hypoteesia tuetaan, sillä on merkittäviä kansanterveydellisiä vaikutuksia RD-lapsille (ei väitetä, että ohjelma korvaisi yksilöllisen ja asiantuntijan ohjaamaa lukutaidon korjaamista).

Yleiskatsaus tavoitteelle 2. Hoitovastetta ennustavien osallistujatason ja ympäristötason tekijöiden tunnistaminen on tärkeä ajankohtainen tavoite, mutta sitä ei ole otettu huomioon GraphoLearnissa. Asiantuntijapohjaisten interventioiden osalta johdonmukainen havainto on, että vanhemmat lapset ja lapset, joilla on kieli- tai kognitiivisia vammoja, eivät todennäköisesti hyödy. Tässä kokeen tekijät hyödyntävät samanaikaisten kliinisten esitysten monimuotoisuutta HBN:n huonojen lukijoiden keskuudessa tunnistaakseen hoitovasteen oletetut ennustajat. Viimeaikaisten tutkimusten mukaisesti, jotka viittaavat aivopohjaisten ominaisuuksien lisäarvoon interventiotulosten ennustamisessa, kokeen tekijät hyödyntävät myös anatomisten MRI-tietojen saatavuutta ennustavien mallien kehittämisessä.

Tavoite 2. Tunnista osallistujaan liittyvät ja ympäristötason tekijät, jotka liittyvät merkittävästi GraphoLearn-tuloksiin. HBN-näytteeseen sisältyvät laajat fenotyyppi- ja kuvantamiskuvaukset sopivat ainutlaatuisesti laajan joukon osallistuja- ja ympäristötekijöiden tutkimiseen, jotka voivat ennustaa hoidon tuloksia. Random Forest Regression -malleja käytetään GraphoLearnin interventiovasteiden erojen ennustamiseen perustuen a priori joukkoon demografisia, kognitiivisia, emotionaalisia, aivo- ja kotiympäristömuuttujia. Olettaen, että noudattaminen (eli GraphoLearnin pelaamiseen käytetty todellinen aika suhteessa määrättyyn) on vahva vasteen ennustaja, tutkivassa analyysissä tarkastellaan myös noudattamisen ennustajia ehdotetun työn todellisen arvon lisäämiseksi entisestään.