発達言語障害のある子供の内部スピーチのトレーニング

このプロジェクトの目的は、DLDを持つ学齢期の子どもたちのシフトの実行機能（EF）に対する口頭調停のモデリングの影響を決定することを目的としています。 研究者は、口頭調停（AIM 1）の使用とシフトの行動および電気生理学的尺度（AIM 2）の使用に対する口頭調停のモデリングの効果を決定します。 精度と反応時間は、シフトにつながる認知プロセスの直接的な測定ではないため、リアルタイムキュー処理を反映するシフトの電気生理学的マーカーが補完されます。

参加者：8〜10歳の75人の子供（n = 75）が3年間にわたってこの研究に登録されます。 ターゲットの登録は、各グループの25人の子供（DLDトレーニング、DLD制御、TDコントロール）と年齢（+/- 3か月）および性別で一致しています。 合計85人の参加者の過剰補充は、過度の目の瞬きや動き（10％と推定）、またはすべての学習タスクとテストを完了できない（推定4％）などのEEG記録の過度のアーティファクトにより、最大14％の消耗を占めています。 このプロジェクトは、子供との使用に最適化されたEEG記録のシステムに基づいており、PIはこのシステムを使用して、アーティファクトによるデータの損失を最小限に抑えてこの年齢層の子供を研究していることに注意することが重要です。 詳細については、EEGデータの収集と処理セクションを参照してください。

年齢の正当化：この年齢層が選ばれました。（1）子供がこの時点までに話された言語とEFを大幅に発展させたため、（2）学年の初期は、言語とエグゼクティブスキルを効率的に使用する必要がある外部の課題に直面するため、開発の重要な期間と見なされます。

一般的な研究手順：この研究には、（a）以下で説明する言語および認知スキルの標準化された評価と、（b）介入前、介入、および介入後の3つのフェーズを含む実験的プロトコルが含まれます。 各フェーズでは、研究室への1回の訪問が必要になり、各フェーズの間に1〜2週間、14〜21日間の介入前と介入後のセッションの間に必要な時間枠が必要です。

• DLDおよびTDグループへの分類：DLDの子供は、最初の電話スクリーニング中に介護者によって報告されているように、言語開発の遅延の歴史があり、言語と認知スキルの標準化された評価の管理によって決定されるDLDの基準を満たします。 統合された言語とリテラシースキル（ティル）のテストで34未満の識別コアスコア（ICS）を取得した場合、子供はDLDを持っていると確認されます。 TDの子供は、言語開発の遅延の歴史を持たず、ティルで34以上のスコアを獲得します。 すべての子供は、認知障害のある患者を除外するために、カウフマンブリーフインテリジェンステスト、第2版（KBIT-2）の流体サブテストで70を超える標準スコアを取得する必要があります。
• トレーニングまたは制御条件への割り当て：この研究は、並行介入設計を伴う個別にランダム化された試験です。 すべてのTD参加者がコントロール条件を完了します。 DLD参加者は、トレーニングまたは制御条件のいずれかにランダムに割り当てられます。 DLDグループへの分類を確認し、実験プロトコルの介入段階を開始する前に、ランダム化が発生します。 PIは、トレーニングまたは制御条件のいずれかに参加者IDを割り当てるために、ブロックランダム化プロトコルを監督します。 研究助手の異なるチーム（RA）は、（a）介入前および介入後のセッション、（b）介入セッション、および（c）介入セッション中に収集されたコード口頭調停データの実施のために訓練されます。 PIは、RedCapデータベースの制御されたアクセス機能を使用して、参加者の割り当てについてチームBのメンバーに通知します。 チームAとCは、DLDの子供がトレーニンググループまたはコントロールグループに参加しているかどうかについて盲目になります。

タスクのシフトの概要：各参加者は、シフトタスクの3つのバージョンを完了します。 タスクは、変更された次元変更カードソート（DCCS）タスクです。 目的は、視覚的なキューで示される2つのルールのいずれかに従って刺激画像を正しくソートすることです。 各タスクには、2つのソートルールと合計4つの二価刺激画像が含まれます。 シフトルールは、学齢期の子供にとって、シンプルで馴染みのある概念（つまり、色、形状、数字、サイズ）になります。 キューは、各刺激の前に提示された「色」などの各ルールの書面の名前となりますが、参加者はルール名を読むのが難しいと予想されません。キューは、すべての練習試行中に語られて書かれて、単語の読み能力の潜在的な効果を排除します。 ワーキングメモリの要求を最小限に抑えるために、刺激が提示されている間、書かれたキューが画面上に残ります。 3つのタスクバージョンには、同じ基本構造がありますが、異なるルールと刺激のセット（フェーズと参加者間で相殺される）があります。 タスクは常に2つのシングルルールブロックから始まり、子どもたちは各ルールをキューとボタンの応答オプションに関連付けることを学習することを学習することを目標に、各ルールを個別に練習することができます。 すべてのシフトタスクは、e-prime 3.0ソフトウェアを使用してコンピューター拡張および提示されます。 応答は、Chronos応答ボックスを使用して収集されます。 DCCSのNIHツールボックスバージョンは、3〜15歳の子供のサンプルで、優れた発達感度、テスト再テストの信頼性、収束妥当性を備えていました。 DCCSは、小児、青年、および成人のEEGでの使用にも適合しています。

AIM 1（トレーニング対トレーニング コントロール介入）：DLDの子供の変化するタスク中の口頭調停の使用に対する口頭調停のモデリングの影響を決定します。

AIM 1を達成するために、DLDグループの参加者の半分は実験的な口頭調停トレーニングにさらされ、残りの半分（およびすべてのTD参加者）は、シフトタスクのバージョンに組み込まれたコントロール条件にさらされます。

介入段階での口頭調停の誘発と記録：タスク設計により、トレーニングまたは制御条件の前、最中、および制御条件の後、口頭の調停行動を引き出して記録できます。 オーディオとビデオの録音は、参加者の自己指導の音声言語のオフラインコーディングと分析に使用されます。 各シングルルールブロックにさらされた後、参加者は以下に説明する事前にランダム化された試験でいくつかの混合ルールブロックを完了します。

• トレーニング前/ポストトレーニング：参加者は、トレーニング/コントロールの前に合計20回の混合ルールトライアルを完了し、20回の混合ルールトライアルを完了します。 これらの試験中、すべての参加者は、回答を入力する前に、自分が考えて計画していることを言うように促されます。 審査官は、参加者に必要に応じて大声で発言するように思い出させますが、言語モデリングを提供しません。
• 実験トレーニング（口頭調停を伴うモデリング）：参加者は、タスクを非常によく知っているフレンドリーなキャラクターであるマックスが、効果的な口頭調停のモデルを提供するために彼の考えと行動を語り、試験が完了するのを見ます。 実証された言語は、目標の達成をサポートするために、将来指向で構成され、実装意図（つまり、/thenフレーズの場合）として構成されます。 たとえば、参加者は次のように聞きます：「これがカラーゲームである場合、青のボタンを押す必要があります。」 矢印は正しい応答を指します。
• コントロール（モデリングのみ）：これらの参加者は、口頭の調停が声を出して話されていない最大試験を視聴します（つまり、矢印は正しい応答を指します）。 この制御条件により、両方の条件が同じモデリングを提供するため、口頭調停トレーニングの効果の分離が可能になります。
• パフォーマンストライアル：トレーニング条件と制御条件の両方で、10のモデリングトライアルごとに10回のパフォーマンストライアルが続き、その間に参加者は次のように求められます。 このモデリングとパフォーマンスの交互構造は、合計60のモデル試験と60のパフォーマンス試験のために6回繰り返されます。 この構造により、介入段階を通じて口頭調停の変化を調べることができます。

口頭調停尺度：時間的または意味的な不連続性のない音声単位として定義された各発話（つまり、2秒を超える一時停止またはコンテンツの変更）は、関連性と機能のためにコード化されます。 関連性は次のように分類されます。（a）タスクとは無関係、（b）タスクに関連して自己指導される、または（c）タスクに関連するが、審査官に向けられた（例えば、ルール、計画的アクションなどを明確にするために質問する）。 関連する発話（BおよびC）は、（1）リハーサル、（2）規制、または（3）感情的な3つの機能のいずれかとして分類されます。 リハーサルの発話には、ルールの簡単な声明または刺激のラベル付けが含まれます。 発話の規制には、特定のアクション動詞（スイッチなど）の使用またはモデルで提供されるIF/その後のフレーミングが含まれます。 感情的な発話には、感情的な反応、精度の評価（oops、oops）、または精神状態（例えば、私は…）が含まれます。

忠実度の手順：PIは、グループメンバーシップを盲目にしているスタッフ（チームCのRA）を研究するためのコーディング手順に関するトレーニングを提供します。 ランダムな25％の参加者は、評価者間の信頼性を評価するために2回目にコード化されます。 PIは、各発話関数カテゴリのクラス内相関が.75を超えているかどうかを監視し、必要に応じて追加のトレーニングを提供します。 記述分析を使用して、生成された各発話タイプの量を定量化します。 トレーニング前/トレーニング後の口頭調停（20回の試験、20回の試験後）およびパフォーマンス（10回の試験の6セット）の100回の試験で生成された関連する自己指示の発話をさらに分析します。

データ分析 - 目的1：介入段階全体で口頭媒介の変化を評価するために、グループの（1）指標（参照グループとしてのDLD制御のパラメーターを使用して、参照グループからの参照グループの違いを示すDLDトレーニングおよびTDコントロールを示すTDコントロールの指標のパラメーター）、（2）インジケーター（2）のインジケーター（2）で、ランダムインタランスモデルが実行され、ランダムインターシス量モデルが実行されます。グループ）、（3）3つのタスク段階のインジケーター：トレーニング前（最初の20回の試行）、トレーニング/コントロール（60件のパフォーマンストライアル）およびトレーニング後（最後の20回の試行）、および（4）グループインジケーターとタスクステージインジケーターの相互作用（ステージ全体のグループ間の違いを評価する）。 各個人の複数の測定（発話量の、発話機能を制御する）は、個人固有のランダムインターセプトを含めることにより説明されます。 分析は、RSTUDIOおよびLME4パッケージを使用して実施されます。 調査官はまた、DLDの有無にかかわらず、DLDの有無にかかわらず、DLD（トレーニング +コントロール）のすべての子供が生成する各発話タイプの数を調べることにより、Cluster-Robust Standard Errorsを使用した一連の独立サンプルTテストとBonferroni方法を使用して多重比較を調整することにより、DLDの有無にかかわらず子供の口頭調停能力の訓練前と訓練後の違いを評価します。

予想される結果 - 目的1：言葉による調停によるモデリングは、モデリングだけよりも、口頭調停のその後の使用に大きな影響を与えます。 具体的には、介入段階の終わりまでに、DLDトレーニンググループの子どもたちは、DLDコントロールグループよりも関連性の高いリハーサルと規制の発話を生み出し、より効果的な口頭調停を実証することが期待されています。 調査官はまた、訓練後に、DLDトレーニンググループがトレーニング前よりもTDコントロールグループとの違いが少ないことを示すと予測しています。関連するインジケーターのペアの間に重要な相互作用があります。 この比較は、新しい結果尺度を検証し、DLDトレーニンググループの口頭調停の効果的な変化をさらに実証するのに役立ちます。

AIM 2（介入後の前後）：DLDの子供のシフトに対する口頭調停のモデリングの影響を決定します。

AIM 2を達成するために、DLD参加者は、EEGが記録されている間、介入段階の前後に2つのバージョンのシフトタスクを完了します。 各ルールを個別に学習および練習した後、参加者は、試行ごとに2つのルールをシフトする必要があるいくつかの混合ルールブロックまたはシフトブロックを完了します。 カラートライアルの後にシェイプトライアル（またはその逆）が続く場合、後者はスイッチトライアルです。カラートライアルの後にカラートライアルが続くと、後者は滞在試行です。 重要なことに、使用するルールを示す視覚的キューは、各試行の前に（事前にランダム化された順序で）提示され続け、スイッチキュー（ルールの変更に先行するキュー）または滞在キュー（ルールの繰り返しに先行するキュー）としてのキューの分類を可能にします。

試行構造：各試行は、1000ミリ秒の固定で始まり、その後、1500ミリ秒間の視覚的なキュー（例えば色）が続き、その後、参加者がクロノス応答ボックスの左または右最終ボタンを押すことで応答（または最大7秒）、最後に次のトライアルの開始前の1500ミリ秒のブランクスクリーンを押すまで刺激（または青い円）が続きます。

パフォーマンスのシフトの行動測定：介入前/介入後のシフトブロックでは、2つの測定値が計算されます：（1）正確な試行の割合、および（2）試行タイプによるミリ秒単位での反応時間（スイッチ、滞在）。 スイッチトライアルの精度が低い、または滞在試行よりも長い反応時間があるトライアルタイプ（Stay、Switch）の主な効果は、スイッチ効果として解釈されます。

EEGデータ収集：EEGは、Electrical Geodesics、Inc。（EGI）によってGES 400システムを使用して記録されます。 EGIからの32チャンネルのハイドロセル測地センサーネットが参加者の頭皮に適用され、非侵襲的なEEG記録が可能になります。 EEGは1000 Hzのサンプリングレートで継続的に記録され、電極インピーダンスは50キロオーム未満に保たれます。 EEGデータは、EEGLABを使用してオフラインで処理されます。

EEGデータ処理：EEGデータのオフライン処理には、0.1〜40 Hzのバンドパスフィルタリング、EEGの長さ1000ミリ秒のエポックへのセグメンテーション（キューの発症前200ミリ秒、キュー開始後800ミリ秒）、目の瞬間によって汚染された試験のアーティファクト拒絶、独立成分分析によるアーティファクト修正（ICA）、Baseraging、baseraging、baseraging、averaging、averaging、averagine、averaging、baseragine、average a a-versed a a-averaging、baseragine、a baseragine、平均への再参照。 データは、MATLABを使用して、潜在的に重複するコンポーネントの分離を可能にし、データの時間的寸法の分析を減らすために、MATLABを使用して時間的な主成分分析（TPCA）に送信されます。 TPCA方法論は、P3を含むERP成分の分析に一般的に使用されます。 入力データセットの分散の95％を占める要因は、PROMAX回転に対して保持されます。 参加者ごとに因子スコアが得られ、タスク条件（スイッチ、滞在）が得られます。 これらの因子スコアは、各個人の関心のある特定のERPコンポーネントの活性化レベル（大きさ）を反映しています。

キュー検出の電気生理学的尺度：キュー-P3は、ディスレクシアの子供を含む成人と子供で検査されたよく研究されたERP成分です。 介入前/介入後のシフトブロックでは、スイッチとステイキューのCUE-P3 ERPコンポーネントの振幅が測定されます。 PCAからの因子スコアは、キュー-P3の振幅尺度として機能します。 キュータイプ（スイッチ、滞在）の主な効果は、スイッチキューの振幅が滞在キューの場合よりも大きく、キュー-P3スイッチ効果として解釈されます。

データ分析 - 目的2：介入後の変化の変化を評価するには、1つの被験者間変数を使用して、各結果測定値（精度、反応時間、キュー-P3振幅）に対して反復測定ANOVAが実行されます：グループ（DLD、DLD制御）と2つの被験者内の段階的な段階的段階（intervention、intervention、posintervention、およびposintervention）。 比較する複数の従属変数があるため、研究者は、鋭利化された誤検出率（FDR）Q値法を使用して複数の比較を調整します。

予想される結果 - AIM 2：DLD-Controlグループの介入後のDLDトレーニンググループの反応時間の大幅な短縮。 これらの調査結果は、トレーニング後のシフトキューのより効率的な使用を示しています。 具体的には、調査員は、DLDコントロールグループよりもDLDトレーニンググループの方が介入後のスイッチコストが大きくなると予測しています。 ERPの結果は、行動測定によって検出されないスイッチキューの処理の変化を解明します。 調査官はまた、DLD-Controlグループの介入後のDLDトレーニンググループのCUE-P3スイッチ効果がDLDトレーニンググループの方が大きくなると予測しており、口頭調停のモデリングがキューの検出方法に影響を与えることを示しています。

電力分析。 AIM 1：N = 75（3つのグループのそれぞれで25）で3つのクラスターとして扱われ、各個人内で100の測定値、80パーセントのパワー、2尾のテストで0.05のアルファレベルで、0.30-0.40の合計分散の比率を想定しています。

AIM 2：N = 50（2つのDLDグループのそれぞれで25）、80パーセントの電力と0.05のアルファレベルで、混合ANOVAを使用し、0.5での介入前と介入後の測定値の相関を想定すると、調査員はCohenのD = 0.41（小さい培地）のように小さいように効果サイズを検出できます。