Fattori neurocognitivi nella risposta all'intervento EdTech

L'obiettivo generale di questa proposta è affrontare i limiti inerenti agli attuali approcci correttivi utilizzati nella disabilità della lettura (RD). Nello specifico, gli sperimentatori mirano a valutare l'efficacia di un intervento basato sulla tecnologia per i bambini con RD, utilizzando uno studio controllato randomizzato. Natura del problema. La disabilità della lettura (RD) è la disabilità dell'apprendimento più comune e colpisce il 10-15% dei bambini in età scolare. Incorre in gravi menomazioni funzionali in tutte le fasi della vita. Una ricchezza di dati documenta svantaggi per tutta la vita nei risultati scolastici e occupazionali. Problematicamente, gli attuali interventi di lettura basati sull'evidenza si basano in gran parte sui servizi di specialisti qualificati, sia in aule dotate di risorse adeguate che in contesti clinici. Pertanto, le scuole (o i paesi) con risorse insufficienti spesso non sono in grado di fornire interventi di lettura per i propri studenti. Questa situazione potenzialmente tragica ha favorito il progetto proposto che mira a valutare un trattamento economico, promettente, basato sulla tecnologia, che presenta un duplice vantaggio, quello di essere domiciliare e, inoltre, di essere attuato senza la supervisione diretta di un esperto, riducendo così al minimo le risorse richieste. Studi recenti hanno supportato l'efficacia degli interventi di lettura basati sulla tecnologia, in particolare GraphoLearn, che si concentra sull'insegnamento delle abilità fonologiche e della corrispondenza del suono delle lettere, sebbene con notevoli variazioni nelle dimensioni dell'effetto. Come evidenziato in una recente meta-analisi, le dimensioni del campione tendono ad essere piccole e vi è una marcata variazione nei componenti metodologici chiave tra gli studi, in particolare il dosaggio del gameplay (che è ben al di sotto delle raccomandazioni degli esperti nella maggior parte degli studi), il gruppo di controllo (ad es. passivo) e il livello di coinvolgimento degli adulti nell'amministrazione. La cosa più rilevante è che l'utilità di GraphoLearn non è stata adeguatamente esaminata al di fuori dei confini degli ambienti scolastici controllati, mancando così di informare sul valore dell'amministrazione domestica - la principale caratteristica positiva di GraphoLearn. Allo stesso modo, i possibili predittori di esiti negativi per la somministrazione domiciliare sono inesplorati (ad esempio, il rispetto del dosaggio di gioco prescritto, che, come notato nei nostri dati preliminari, può variare).

Panoramica per Obiettivo 1. Il progetto proposto affronta i limiti inerenti agli interventi correttivi implementando uno studio controllato randomizzato (RCT) su larga scala di GraphoLearn somministrato a casa in 450 bambini con RD (ragazzi e ragazze, età 6.0-10.0). Per raggiungere questo obiettivo rapidamente e con un costo minimo, gli sperimentatori recluteranno partecipanti iscritti all'Healthy Brain Network [HBN], uno studio in corso sulla salute mentale e sui disturbi dell'apprendimento nei bambini, di età compresa tra 5.0 e 21.0 anni, la cui famiglia ha preoccupazioni sul comportamento e/o sull'apprendimento (target n = 10.000; attuale n = 3000+). L'HBN include caratterizzazioni MRI psichiatriche, cognitive, EEG e multimodali complete per tutti i partecipanti, fornendo allo studio proposto ricchi dati descrittivi. Le difficoltà di lettura saranno identificate utilizzando il TOWRE (punteggio standard < 85). I bambini verranno assegnati a un programma di 12 settimane/20 ore di GraphoLearn oa una condizione di controllo "attiva", gruppo abbinato per QI e livello di lettura. Il controllo consisterà in un gioco di matematica, simile nello stile a GraphoLearn, per controllare gli effetti non specifici dell'intervento, come il tempo dedicato al programma, l'attenzione e altri fattori. Ai bambini randomizzati al gruppo di controllo verrà offerto GraphoLearn dopo lo studio a causa di considerazioni etiche. Coerentemente con le condizioni del mondo reale, saranno consentiti interventi non correlati allo studio durante il corso del periodo di studio. Saranno documentati per una descrizione completa del campione e per l'analisi dei predittori di risposta (Obiettivo 2).

Obiettivo 1: Valutare l'efficacia di GraphoLearn in un ampio campione di bambini con RD. Il livello di lettura dei bambini sarà valutato prima, durante (settimana 6) e alla fine dello studio attivo (settimana 12). Gli effetti estesi saranno valutati 12 settimane dopo il trattamento (settimana 24). Gli sperimentatori ipotizzano differenze statisticamente significative nel livello di lettura a favore del gruppo GraphoLearn rispetto al gruppo di controllo alle settimane 12 e 24. Se l'ipotesi fosse supportata, avrebbe importanti implicazioni di salute pubblica per i bambini con RD (non vi è alcuna affermazione che il programma sostituirà la correzione della lettura individualizzata e supervisionata da esperti).

Panoramica per l'obiettivo 2. L'identificazione dei fattori a livello di partecipante e di ambiente che predicono la risposta al trattamento è un importante obiettivo di attualità, ma non è stato preso in considerazione per GraphoLearn. Per gli interventi specialistici, un risultato coerente è che i bambini più grandi e i bambini con disturbi del linguaggio o cognitivi hanno meno probabilità di trarne beneficio. Qui, gli sperimentatori sfruttano la diversità delle presentazioni cliniche co-morbose tra i lettori poveri in HBN per identificare i predittori putativi della risposta al trattamento. In linea con studi recenti che suggeriscono il valore aggiunto delle funzionalità basate sul cervello per la previsione dei risultati dell'intervento, gli sperimentatori sfruttano anche la disponibilità di dati anatomici MRI nello sviluppo di modelli predittivi.

Obiettivo 2. Identificare i fattori relativi ai partecipanti e all'ambiente che sono significativamente associati ai risultati di GraphoLearn. Le ampie caratterizzazioni fenotipiche e di imaging incluse nel campione HBN sono particolarmente adatte per esplorare un'ampia serie di partecipanti e fattori ambientali che possono prevedere i risultati del trattamento. Verranno utilizzati modelli di regressione forestale casuale per prevedere le differenze nella risposta all'intervento a GraphoLearn, sulla base di un insieme a priori di variabili demografiche, cognitive, emotive, cerebrali e dell'ambiente domestico di base. Supponendo che la conformità (ovvero il tempo effettivo trascorso giocando a GraphoLearn rispetto a quanto prescritto) sia un forte predittore di risposta, le analisi esplorative esamineranno anche i predittori di conformità per aumentare ulteriormente il valore reale del lavoro proposto.