EdTech 개입 반응의 신경인지 요인

이 제안의 가장 중요한 목표는 읽기 장애(RD)에 사용되는 현재 교정 접근 방식에 내재된 제한 사항을 해결하는 것입니다. 구체적으로, 실험자들은 무작위 통제 시험을 사용하여 RD 아동을 위한 기술 기반 개입의 효과를 평가하는 것을 목표로 합니다. 문제의 성격. 읽기 장애(RD)는 학령기 아동의 10 - 15%에 영향을 미치는 가장 일반적인 학습 장애입니다. 삶의 모든 단계에서 중요한 기능 장애를 초래합니다. 풍부한 데이터 문서는 교육 및 직업 성취에서 평생 불리한 점을 기록합니다. 문제가 있는 것은 현재의 증거 기반 읽기 개입은 자원이 풍부한 교실이나 임상 환경에서 훈련된 전문가의 서비스에 크게 의존한다는 것입니다. 따라서 자원이 부족한 학교(또는 국가)는 종종 학생들에게 읽기 중재를 제공할 수 없습니다. 이 잠재적으로 비극적인 상황은 가정 기반이라는 두 가지 이점이 있고 전문가의 직접적인 감독 없이 시행될 수 있는 저렴하고 유망한 기술 기반 치료를 평가하는 것을 목표로 하는 제안된 프로젝트를 촉진하여 자원을 최소화했습니다. 요구합니다. 최근 연구는 기술 기반 읽기 중재, 특히 음운 기술과 문자 소리 대응에 초점을 맞추는 GraphoLearn과 같은 기술 기반 읽기 개입의 효과를 뒷받침했지만 효과 크기는 눈에 띄게 다양합니다. 최근 메타 분석에서 강조한 바와 같이 샘플 크기는 작은 경향이 있으며 연구 전반에 걸쳐 주요 방법론적 구성 요소, 특히 게임 플레이 복용량(대부분의 연구에서 전문가 권장 사항보다 훨씬 낮음), 대조군(예: 활성 대 수동적) 및 관리에 대한 성인 참여 수준. 가장 관련성이 높은 것은 GraphoLearn의 유용성이 통제된 학교 환경의 범위 밖에서 적절하게 검사되지 않았기 때문에 GraphoLearn의 주요 긍정적인 특징인 가정 관리의 가치에 대해 알리지 못했습니다. 마찬가지로, 가정 관리에 대한 부정적인 결과의 가능한 예측 변수는 탐색되지 않았습니다(예: 예비 데이터에 명시된 바와 같이 규정된 게임 플레이 복용량 준수는 다를 수 있음).

목표 1 개요. 제안된 프로젝트는 450명의 RD 어린이(남녀, 6.0-10.0세)에서 집에서 관리하는 GraphoLearn의 대규모 무작위 통제 시험(RCT)을 구현하여 치료 개입에 내재된 한계를 해결합니다. 이 목표를 신속하고 최소한의 비용으로 달성하기 위해 실험자들은 5.0-21.0세 아동의 정신 건강 및 학습 장애에 대한 지속적인 연구인 Healthy Brain Network[HBN]에 등록된 참가자를 모집할 것입니다. 가족이 행동 및/또는 학습에 대해 우려하는 경우(목표 n = 10,000; 현재 n = 3000+). HBN에는 모든 참가자에 대한 포괄적인 정신과, 인지, EEG 및 다중 모드 MRI 특성화가 포함되어 제안된 연구에 풍부한 설명 데이터를 제공합니다. 읽기 장애는 TOWRE(표준 점수 < 85)를 사용하여 식별됩니다. 아이들은 GraphoLearn의 12주/20시간 프로그램 또는 "활성" 제어 조건, IQ 및 읽기 수준에 맞는 그룹에 배정됩니다. 제어는 GraphoLearn과 유사한 스타일의 수학 게임으로 구성되어 프로그램에 소요된 시간, 주의 및 기타 요소와 같은 개입의 비특정 효과를 제어합니다. 통제 그룹으로 무작위 배정된 어린이는 윤리적 고려로 인해 연구 후 GraphoLearn이 제공됩니다. 실제 조건에 따라 연구 기간 동안 연구와 관련되지 않은 개입이 허용됩니다. 포괄적인 샘플 설명과 응답 예측 변수 분석을 위해 문서화됩니다(목표 2).

목표 1: RD가 있는 어린이의 대규모 샘플에서 GraphoLearn의 효과를 평가합니다. 어린이의 읽기 수준은 활성 연구 전, 도중(6주) 및 종료 시(12주) 평가됩니다. 확장된 효과는 치료 후 12주(24주)에 평가됩니다. 실험자들은 12주차와 24주차에 대조군에 비해 GraphoLearn 그룹에 유리하게 읽기 수준에서 통계적으로 유의미한 차이가 있다고 가정합니다. 가설이 뒷받침된다면 RD 아동에게 중요한 공중 보건 영향을 미칠 것입니다(프로그램이 개별화되고 전문가가 감독하는 읽기 교정을 대체할 것이라는 주장은 없습니다).

목표 2에 대한 개요. 치료 반응을 예측하는 참가자 수준 및 환경 수준 요인의 식별은 중요한 국소 목표이지만 GraphoLearn에서는 고려되지 않았습니다. 전문가 기반 개입의 경우 일관된 결과는 나이가 많은 어린이와 언어 또는 인지 장애가 있는 어린이가 혜택을 받을 가능성이 적다는 것입니다. 여기에서 실험자들은 치료 반응의 추정 예측 인자를 식별하기 위해 HBN의 열악한 독자들 사이에서 동반 이환 임상 프리젠테이션의 다양성을 활용합니다. 개입 결과 예측을 위한 뇌 기반 기능의 부가 가치를 제안하는 최근 연구에 따라 실험자들은 예측 모델 개발에서 해부학적 MRI 데이터의 가용성을 활용합니다.

목표 2. GraphoLearn 결과와 크게 관련된 참가자 관련 및 환경 수준 요인을 식별합니다. HBN 샘플에 포함된 광범위한 표현형 및 이미징 특성화는 치료 결과를 예측할 수 있는 광범위한 참가자 및 환경 요인을 탐색하는 데 고유하게 적합합니다. Random Forest Regression 모델은 기본 인구 통계, 인지, 감정, 뇌 및 가정 환경 변수의 선험적 세트를 기반으로 GraphoLearn에 대한 개입 반응의 차이를 예측하는 데 사용됩니다. 규정 준수(즉, 규정된 시간과 관련하여 GraphoLearn을 플레이하는 데 소요된 실제 시간)이 응답의 강력한 예측 변수인 것으로 밝혀졌다고 가정하면 탐색적 분석은 제안된 작업의 실제 가치를 더욱 높이기 위해 준수 예측 변수도 살펴봅니다.