발달 언어 장애가있는 학령기 어린이의 수동 구조 지식 결함 치료 (DLDTreatment)

목표

복잡한 문장 형식과 관련된 언어 능력을 포함하여 나중에 발달하는 언어 기술의 경우 치료 연구가 거의 없을뿐만 아니라 존재하는 소수의 효과 크기는 매우 적습니다. 연구자들은 비외식 치료 결과가 두 가지 문제에 기인 할 수 있다고 제안합니다. 1) 주로 미취학 아동을 위해 개발 된 치료 방법에 대한 의존과 암묵적 치료 연속체의보다 명백한 끝에 있고 2) 시맨틱 역할을 주요 명사에 대한 의미 론적 역할에 대한 매핑을 무시하는 치료법에 대한 의존성. 연구자들은 어린이들이 의식적으로 간단한 의미 론적 매핑 규칙을 적용하도록 가르치는 명백한 치료 방법은 강력한 치료 실적을 초래하지만,이 지식을 자동으로 그리고 무의식적으로 적용하는 데 필요한 의미 론적 합성 매핑의 암시 적 정신적 표현을 구축하는 데 드는 비용으로 훈련되지 않은 언어 적 맥락에 적용 할 수 있다고 가정합니다. 연구자들은 두 가지 치료 연구에서 암시적이고 명백한 중재 방법을 사용 하여이 중요한 가설을 테스트 할 것입니다. 두 가지 무작위 임상 시험, 하나는 대상 대상 객체 상대 문장과 다른 표적화 수동 문장을 타겟팅하는 2 개의 무작위 임상 시험은 암시 적 및 명시 적 요법에 대한 결과가 서로 다른 신립 틱 구조에 걸쳐 복제되는 정도를 테스트합니다. 중요하게도, 연구자들은 치료법 (예 : 용량 수, 세션 지속 시간 및 간격) 및 자극 파라미터가 치료 방법의 차이를 분리하기 위해 치료 방법에 따라 일정하게 처리 할 것입니다. 마지막으로, 이러한 문장 유형을 대상으로하는 치료 결과의 맥락에서 복잡한 문장 이해와 기억 사이의 이전 모델링 된 관계의 임상 적 관련성은 평가 될 것이다. 두 가지 중요한 목표는 다음과 같습니다.

목표 1. 명시적이고 암시 적 치료가 복잡한 문장 지식을 향상시키고 DLD를 가진 8 ~ 11 세 어린이에서 사용되는지 여부를 결정합니다.

가설 1a. 두 치료 모두 치료가 없을 것입니다. 가설 1B. 명시 적 치료를받는 어린이는 명시 적 치료 형식과 유사하게 구조화되는 근위 결과 측정에서 잘 수행되지만 구문 형태의 강력한 정신적 표현을 요구하는 언어 지식의 원위 결과 측정에서는 상대적으로 저하되지 않습니다. 암시 적 치료를받는 어린이는 반대의 결과 패턴을 보여줄 것입니다.

가설 1c. 구문 템플릿에 대한 정신적 표현의 변화는 서술 적 맥락에서 훈련 된 문장 형식을 일반화하는 어린이의 능력에 영향을 미칩니다. 가설 1d. 성관계가 아닌 아동 연령, SES 및 전반적인 언어 심각성은 결과에 영향을 미칩니다.

목표 2. 제안 된 중재자 문장 이해 모델의 인과 적 구성 요소에 대한 중요한 실험 테스트를 제공합니다.

가설 2a. 치료의 성공 정도는 조항 내에서 단어를 청크하는 능력을 예측할 것입니다.

가설 2b. 작업 기억은 치료의 영향을 지식에 미치고 어휘 및 전처리 문장 이해를 통제하는 결과를 사용합니다.

방법이 임상 시험 프로젝트의 본질은 DLD를 가진 어린이의 수동적 구조에 대한 구문 지식을 개선하기 위해 두 가지 치료의 상대적인 효과를 비교하는 것입니다. 어린이는 지식을 향상시키기 위해 두 가지 치료 중 하나 (암시 적, 명시 적)를 받게됩니다. 어린이는 암시 적 치료 조건 또는 명시 적 치료 조건 및 즉각적인 치료 또는 지연 치료에 무작위로 배정됩니다. 어린이는 치료 전과 치료 후 두 번, 즉시 및 5 주 후에 4 가지 결과 조치 (아래 참조)를 완료합니다. 참가자들. DLD가있는 8 세; 0-11; 11 세의 총 150 명의 어린이 가이 수동적 문장 연구에 등록 될 것입니다. 어린이는 아테네 오하이오 주, 캐시 카운티 유타, 투손 애리조나, 웨스트 버지니아 주 모건 타운 주변의 공립, 개인 및 차터 스쿨에서 나옵니다. 모든 어린이는 언어 장애가 있지만 청각 및 시력 또는 시력뿐만 아니라 정상적인 비언어적 IQ를 보여줍니다. 그들은 또한 영어 원어민이어야합니다. 표준화 된 언어 테스트 전에 어린이는 문장 이해 작업과 문장 청크 작업을 완료하여 참가자가 치료 대상 수동 구조에 대한 지식의 결함을 보이는지 여부를 결정합니다. 참가자는 공식 언어 테스트로 이동하려면 심사 측정 값 중 하나 또는 둘 다에서 <50% 정확한 수행을 수행해야합니다. 포함 및 배제 기준은 모두 다른 곳에 나타납니다.

결과 측정. 개입이 시작되기 전에 5 가지 결과 조치가 시행됩니다. 지연된 치료 그룹에 배정 된 어린이에 대한 치료가 시작되기 전에 동일한 조치가 다시 관리됩니다. 조치는 또한 치료 후, 즉, 즉시 및 5 주 후에 두 번 투여 될 것입니다.

치료. 암시적이고 명백한 2 가지 치료법이 있습니다. 아이들은 치료 중 하나만 받게됩니다. 두 처리 모두에서 동일한 이미지가 사용될 것이며 수동 구조의 처리를 위해 준비된 문장은 객체 상대 항목으로 개조되어 동일한 단어를 포함하는 두 가지 처리에 대한 문장을 만듭니다. 각 치료에서 동일한 수의 노출이 어린이들에게 전달됩니다. 각 치료에는 10 주 동안 전달 된 20 개의 교육 세션 (세션 당 20 개 교육 항목)이 포함됩니다. 결과적으로, 두 처리는 모두 대상 문장 패턴에 고밀도 노출 (n = 800)을 전달할 것이다. 암시 적 치료. 암시 적 치료는 복잡한 구문을위한 대화 재발 기술의 완전히 새로운 적용이다. 형태 적 부족을 치료하는 데 성공했습니다. 이 방법은 또한 상대 조항의 생산을 증가시키는 데 성공적으로 사용 되어이 접근법에 대한 개념 증명을 제공했습니다. 이 접근법은 집중된 재 캐스팅을 통해 임상의 모델링 (즉, 구문 프라임)을 사용합니다. 집중적 인 재발은 목표 문법 형태의 사용을 의무화하고 즉시 잘못된 요소를 수정하는 임상의 모델을 이끌어내는 아동 발화를 도출하는 것입니다. 리스트는 또한 올바른 아동 발화를 따라 문법을 확인할 수 있습니다. 재 캐스팅에는 리 캐스트 이외의 명시 적 지시 또는 피드백이 포함되지 않습니다. 각 시험에서 아이들은 초기 이미지를보고 ~ 2s는 나중에 임상의 문장을 듣습니다. 다음으로, 두 번째 이미지가 제시되고 ~ 2s 후에 심사관은 "이제 [Noun] (환자)에 대해 말해주십시오."라고 말합니다. 프롬프트는 아이의 관심을 환자에게 초점을 맞추면 첫 명사 문구로 생성해야합니다. 각 어린이의 시도는 임상의 재발이 이어집니다. 리스트는 어린이가 배우는 목표 구조에 대한 중요한 두 번째 노출 역할을합니다. 명백한 치료. 명백한 교수 개입 접근법에서, 어린이들은 언어 구조를 지배하는 규칙에 대한 설명이 제공됩니다 (예 : "두 가지가있을 때 [S]가 단어의 끝에 ("하나의 책, 두 권의 책. "), [S]가 끝납니다. 어린이 응답 후 명시적인 피드백을 사용하고 종종 드릴과 같은 형식을 사용하십시오. 임상의는 특히 학교 연령의 어린이들과 함께 암시 적 이외의 연속체의 명백한 끝에 떨어지는 치료에 불이행되는 경향이 있습니다. 따라서, 어린이들은 언어 사용을 지배하는 규칙을 기억하고 암시 적 접근법에 사용 된 반복 노출에 대해 암시 적으로 정신적 표현을 구축하기보다는 치료에 적용해야합니다. 제안 된 명백한 접근 방식에서, 조사관은 반복적으로 감사 한 간단한 규칙을 반복적으로 제공하며, 이는 적절한 명사에 대리인과 환자/수령인의 의미 론적 매핑을 나타냅니다. 그림은 다른 치료에없는 요인 인 문장의 의미 론적 맥락을 제공하는 데 사용됩니다. 이 접근법은 문장 형식을 모양과 아이콘보다는 의미와 연결합니다. 다른 명시 적 치료와 마찬가지로, 조사관은 시맨틱 역할을 구문 요소 (명사)에지도를 맵핑하는 규칙을 명시 적으로 가르 칠 것이며, 아이들은 매핑 규칙을 기억하고 적용해야합니다.

작업 관리 충실도 및 신뢰성. 각 성능 현장의 모든 프로젝트 직원은 모든 조치 (표준화 된 입학 시험, 선별 조치, 결과 측정, 치료)의 충실한 관리에 대해 훈련을 받았습니다. 모든 조치의 행정 및 점수에 관한 교육 비디오는 어린이들과 함께 일할 모든 직원이 준비하고 보았습니다. 또한 각 사이트의 모든 직원과 함께 모든 조치의 모의 관리 및 점수가 수행되었습니다. 또한 모든 직원의 충실도와 신뢰성을 보장하기 위해 동일한 교육 비디오와 연습이 연간 3 회 반복됩니다. 작업 관리 충실도 및 프로토콜 스코어링 신뢰성은 모든 참가자에 대한 모든 스크리닝 측정 및 결과 측정에 대해 평가됩니다. 여기에는 시험관이 프로토콜 시트에 규정 된대로 각 측정 값을 정확하게 관리하도록하기 위해 다양한 측정 값을 실시간 또는 세션 비디오에서 관리하는 심사관을보고 독립적 인 관찰자가 포함됩니다. 프로토콜과의 편차는 충실도 형식으로 표시됩니다. "실질적인 편차"및 "비 부제성 편차"(예 : 작은 단어 변경 또는 추가)의 값이 계산됩니다. 실질적인 편차가> 10%인 경우, 심사관은 작업 관리를위한 추가 교육을받습니다. 마찬가지로, 각 측정에 대한 시험관의 점수의 신뢰성은 독립적 인 관찰자에 의해 계산됩니다. 심사관의 점수 신뢰성이 <90%인 경우, 작업 점수에 대한 추가 교육을받습니다. 치료 관리의 충실도는 또한 모든 참가자의 교육 세션의 25%에 대해 평가 될 것입니다. 또한 모든 참가자의 응답 점수에 대한 검사관의 신뢰성은 세션의 25% 동안 평가됩니다. 95% 미만의 10% 이상의 편차 및/또는 신뢰도 점수를 포함하는 관리 충실도를 보여주는 검사관은 치료의 관리 및 점수에 대한 추가 교육을받습니다. 치료를 전달하는 심사관은 표준화 된 결과 조치를 관리하는 심사관과 다를 것입니다. 또한, 치료 제공자와 "평가자"는 서로 눈을 멀게 할 것입니다. 즉, 평가자는 치료 결과에 눈이 멀고 치료 제공자는 결과 측정에 대한 참가자의 성과에 눈을 멀게 할 것입니다.

사이트 전체의 데이터 입력 안정성. 마스터 Xcel 시트는 모든 참가자의 표준화/ 스크리닝 점수, 결과 측정 점수 및 모든 세션 치료 성능에 대한 점수를 포함하는 마스터 액세스 데이터베이스의 모든 참가자 데이터의 신뢰할 수있는 입력에 중점을 둔 모든 성능 사이트에서 사용되도록 만들어졌습니다. 각 사이트의 XCEL에는 프로젝트 직원을 입력하는 열, 측정 측정, 각 작업의 신뢰성 값, 각 측정에 대한 각 점수가 액세스에 입력 된 날짜 및 데이터 입력이 확인 된 날짜가 포함되어 있습니다. 액세스에 대한 모든 데이터 입력은 두 명의 직원이 동시에 완료됩니다. 처음에 한 사람은 각 점수를 읽고 다른 사람은 점수를 입력합니다. 이 단계는 모든 점수가 올바르게 입력되도록 두 번 반복됩니다.

과학적 데이터 : 저장, 공유, 코드, 액세스 및 관리. 원시 비 식별 인터뷰 데이터, 표준화 된 데이터 및 실험 데이터는 데이터 수집 중에 사이트 PI 및 주요 사이트 직원으로 제한되는 박스 파일에 저장됩니다. 연구가 끝날 때, 데이터는 OSF 저장소에 보존되어 데이터를 공유하여 AIMS에 설명 된 연구 결과를 검증하고 복제 할 수 있도록합니다. 업로드되면 데이터는 클라우드 기반 플랫폼에 저장되며 자유 텍스트 검색 기능을 제공하는 웹 사이트에 등록하는 사람과 공유됩니다. Open Science Framework 저장소에는 상세한 사용자 안내서, 각 변수에 대한 일 변량 통계가있는 코드북 및 학습 수준 메타 데이터가 포함됩니다. 코드북의 각 변수에는 변수 이름, 항목에 대한 간단한 설명, 변수 레이블, 값 레이블 및 결 측값에 대한 표준 코드가 포함됩니다. .pdf 형태의 문서 문서에는 각 작업에 대한 설명과 작업 지침이 포함됩니다. 전체 프로토콜은 표준화 된 테스트 개발에 사용될 수있는 독점 정보가 포함되어 있으므로 제공되지 않습니다. 임상 및 실험 데이터는 CRAN에서 자유롭게 사용할 수있는 패키지를 사용하여 작성된 사용자 정의 R 코드로 분석됩니다. 완전히 투명하고 재현 가능한 스크립트는 .rmd로 제공됩니다. 및 .pdf 형식. 완전히 구성된 (Paginated Contents) 및 주석이 달린 출력은 .pdf에서 사용할 수 있습니다. 체재. 유타 주립 대학의 사라 슈워츠 (Sarah Schwartz)는 각 사이트의 전문 직원들과 협력하여 제임스 몽고메리, 로널드 길람, 엘레나 플랜테의 세 가지 PIS의 지침에 따라 일했습니다. 또한 유타 주립 대학의 스폰서 프로그램 사무소는 연례 진행률 보고서를 제출하기위한 프로세스의 일부로 데이터 관리 및 공유 계획 준수 시스템을 만들었습니다.

치료 조건 및 연구 설계에 대한 과제. 이 연구는 수동 문장 구조를 목표로합니다. 각 치료 유형 (즉시, 지연)에 대해 두 가지 수준의 치료 할당이있는 두 가지 광범위한 치료 유형 (명시 적, 암시 적)이 있습니다. 광범위하게, 명시 적 대 암시 적 조건은 각 치료 유형의 상대적 효능을 테스트합니다. 지연 발병 상태 및 지연 발병 암시 적 조건은 변화의 이유로 성숙 요소를 배제하는 데 사용됩니다. 각각의 치료 임상의는 4 가지 조건 모두에서 어린이를 치료하여 임상의 효과가 조건에 따라 일정하게 유지됩니다. 계층화 된 무작위 샘플링 절차는 어린이를 치료 조건에 할당하는 데 사용됩니다. 어린이는 남성과 여성 세분으로 2 명의 연령대 (8-9, 10-11)로 계층화됩니다. 어린이가 연구에 등록함에 따라, 그들은 4 개의 지층 중 1 개로 분류 된 다음 지층 내에서 즉각적인 암시 적, 즉각적인 명시 적, 지연된 암시 적 또는 지연된 명시 적 치료 조건에 무작위로 할당됩니다 (확률 = .33,. .33, .17, .17) 확률 기반 무작위 배정 (R 패키지 "Randomizr") 사용. 이것은 우리가 생물학적 변수로서 나이와 성별을 통제 할 수있게 해줄 것입니다. 무작위 할당은 치료 결과에 영향을 줄 수있는 다른 알려지지 않은 요인을 제어하기위한 금 표준입니다.

통계적 힘. 각 연구에서 100 명의 참가자 샘플은 .05의 2x3 믹스 라노바에서 치료 효과 (대상의 상호 작용 사이)에 대해 80%의 전력을 산출합니다. 비교적 작은 효과 크기의 F = .13의 경우의 중요 수준 (Gpower 3.1, [149]). 보다 복잡한 MLM 전력 분석은 GLIMMSE 3.0으로 수행되었으며 평균 차이의 두 그룹 다변량 테스트 사이에 "Hotelling-Lawley Trace"를 적용합니다. 임상의 내 참가자에 대한 클래스 내 상관 (ICC)이 0.10이고 두 그룹의 차이가 처음에는 0.75 표준 편차이며 후속 조치에서 유지 된 100 명의 참가자 (각각 약 6 명의 참가자가있는 16 명의 임상의)가 동일한 가설에 대해 80% 전력을 산출합니다. 이러한 값은 보수적이며 ICC 및 그룹 차이에 대한 상대적으로 최소한의 영향을 반영합니다. 즉각적인 대 지연 처리 분석 (3x2 Mixanova)은 유사하게 작은 효과 크기의 F = .16에 대해 100 명의 참가자 샘플에 대해 80% 전력이 달성 될 수 있도록합니다. 마지막으로, 연구자들은 전력 추정에 내재 된 불확실성을 보호하고 구조 방정식 모델에 적절하게 전력을 공급하기 위해 연구 당 150 명의 어린이를 계획했습니다. 구조 방정식 모델에서 경로 당 최소 10 명의 참가자에 대한 Klein의 권장 사항이 따랐습니다. 이 모델에는 최소 90 명의 ​​피험자에 대한 9 개의 경로 (아래 분석 계획에 따라 자세히 설명)가 포함됩니다. 따라서 150 명의 참가자 가이 최소 권장 수준을 초과하여 추정치에 안정성을 추가합니다.

데이터 분석 계획 처리 효과. 지연 처리 조건의 치료 대 치료의 효과는 3x2x2 혼합 설계 분석 (Mixanova)을 사용하여 평가 될 것이다. 이 분석은 3 개의 그룹 (암시 적 치료, 명시 적 치료, 지연 치료, 그룹당 n = 50)과 근위 및 원위 결과 측정 (에이전트-환자 작업, 프라이밍 작업)에 대한 2 개의 반복 관찰을 사용합니다. 즉각적인 치료 (암시 적 또는 명시 적) 전처리 및 치료 후 관찰을 위해 무작위 배정 된 사람들의 경우 사용됩니다. 지연된 치료를 위해 무작위 배정 된 사람들의 경우, 초기 및 전처리 관찰이 사용될 것이며, 참가자가 치료를받지 않는 기간을 다루고있다. 이 분석은 가설 1A를 다루기 위해 10 주 기간 동안 자연 성숙을 초과하는지 여부를 결정합니다. 문장 유형의 중요한 영향은 치료 효과가 치료에 의해 목표로 된 문장 구조에 특화되어 있음을 나타냅니다. 암시 적 및 명시 적 치료가 근위 및 원위 언어 결과 측정 (가설 1B)에서 훈련 된 항목에 미분 효과를 생성하는지에 대한 문제를 해결하기 위해, 조사자는 암시 적 및 명시 적 치료 조건 (치료 조건 당 n = 75) 내에서 즉각적이고 지연된 치료 그룹의 어린이를 결합합니다. 세 가지 반복 관찰 (개체 내 : 전처리, 치료 후 및 후속 조치)는 두 가지 치료 유형 (개체 간 : 암시 적 및 명시 적 치료)과 비교하여 두 가지 결과 측정 (개체 내 : 근위 및 원위 측정)에 사용됩니다. 3x2x2 혼합 디자인 분산 분석 (Mixanova)은 치료 유형이 각 종속 변수의 성장에 영향을 미치는지 테스트합니다. 후속 대비는 치료 직후 치료 (치료 후)와 이득이 유지되는 경우 (추적 관찰)를 비교할 수 있습니다. 가설 1B에 대한 지원은 명시 적 조건에서 어린이의 에이전트 환자 작업에 대한 더 나은 성능과 암시 적 조건에서 어린이의 프라이밍 작업에 대한 성능 향상으로 구성된 상호 작용 효과로 구성됩니다. 병렬 MixAnovas는 내러티브 이해력과 의존적 측정 (치료 조건 당 n = 75)으로서의 점수를 사용하여 수행됩니다. 이 분석은 일반적인 어린 시절 기술과 커리큘럼 관련성을 모두 반영하는 번역 언어 작업을 사용하여 치료 결과를 다룰 것입니다. 가설 1C에 대한 지원은 암시 적 조건의 어린이가 치료 후 명시 적 조건에서 노동 조건을 능가하는 중요한 주요 효과로 구성됩니다. 작업 메모리 롤을 추가로 조사하고 아동 특성 (연령, 인종, 성별, SES, 전체 언어 (Tills 점수)) 및 치료 전달 (줌 대 개인), 다단계 모델링 (MLM)을 계층 적 선형 모델링 (HLM)으로 알려진 것은 상기 설명 된 각 믹스 라노 바에 대한 후속 조치로 활용됩니다. MLM 모델은 Mixanova를 확장하여 연속 중재자와 공변량을 추가로 통합 할 수있을뿐만 아니라 임상의 내 중첩으로 인한 참가자 간의 독립성 부족을 통제 할 수 있습니다. Mixanova와 달리 MLM은 모든 관찰이 부족할 수있는 참가자의 모든 수집 된 데이터를 통합하고 (마모로 인한 불완전한 경우) 분산 및 구형의 균질성에 대한 엄격한 분산 분석에 대한 의존도를 완화합니다. 공식적으로 MLM에는 고정 효과가 포함되어 참가자와 임상의 모두에 대한 임의의 인터셉트뿐만 아니라 개체 간 및 공변량 간의 상호 작용이 포함됩니다. 명시적이고 암시적인 처리 조건 (모델 당 n = 75)을 위해 별도의 MLM이 실행됩니다. 작업 기억이나 연령, 인종, 성별 및 SES에 대한 상당한 조절 효과를 발견하면 연령 및 SES에 관한 가설 1D를 지원합니다. 연구자의 이전 치료 연구를 바탕으로 치료 전달 방법에 대한 영향은 예상되지 않습니다.

이론적 질문. 입력 청킹은 문장 이해에 중요합니다. 조사관은 이전 메모리 매개 문장 이해 모델의 결과를 바탕으로 제시 한 아이디어입니다. 이러한 이유로, 연구자들은 조항으로의 문장을 청킹하는 것이 치료 결과 측정 (가설 2A)의 성과와 관련이 있어야한다고 기대합니다. 연구자들은 근위 및 원위 결과 측정을 사용하여 선형 chunking 점수를 사용하여 선형 회귀를 사용 하여이 예측을 테스트합니다. 각 치료 조건에 대해 별도의 모델이 실행됩니다 (치료 당 n = 75). 연구자들은 또한 작업 기억이 학생 결과 (y)에 대한 중재 (x)의 영향을 중재 할 것이라고 가설을 세웠다 (가설 ​​2B). 연구자들은 구조 방정식 모델링을 사용하여이를 테스트 할 것입니다. 각 처리 조건에 대한 별도의 모델과 함께 두 가지 처리에 다른 학습 전략이 사용될 가능성이 있습니다 (모델 당 n = 75). X에서 M (Time2)까지의 경로는 a. M에서 Y에서 Y로의 경로는 b로 표시됩니다. x에서 y에서 m (Time2)에서 M에서 B (A*B)의 산물이됩니다. Muthen et al.에 이어, 연구자들은 모델의 제어 변수로서 작업 기억 (M (Time1)), 어휘가있는 Ledge (C1time1) 및 구문 이해 (C2Time1)를 포함 할 계획입니다. 통계적으로 0과 다른 간접 효과는 m이 y에 대한 x의 효과를 매개한다는 것을 나타냅니다. 간접 효과가 x에서 y로 직접 효과를 완전히 설명하면 m은 x와 y의 관계를 완전히 중재합니다. 완전한 중재에서 A 및 B의 산물은 C 경로를 완전히 대체합니다. 연구자들은 3 개의 중재 모델의 모델 적합 통계를 비교할 계획이며, 하나는 작업 메모리 (Woodcock-Johnson Working Memory Subtest), 중재자로서, 하나는 언어 장기 메모리가 중재자 (내러티브 리텔 작업, 조항 완료 점수), 어휘 지식 (PPVT-5)을 중재자로서 비교할 계획입니다. 각 모델에는 최대 9 개의 경로가 있으며 각 연구마다 경로 당 11 명의 참가자가 있습니다.