Czynniki neurokognitywne w odpowiedzi na interwencję EdTech

Nadrzędnym celem tej propozycji jest zajęcie się ograniczeniami nieodłącznie związanymi z obecnymi metodami zaradczymi stosowanymi w przypadku trudności z czytaniem (RD). W szczególności eksperymentatorzy mają na celu ocenę skuteczności interwencji opartej na technologii dla dzieci z rzadkimi chorobami za pomocą randomizowanego, kontrolowanego badania. Natura problemu. Trudności w czytaniu (RD) to najczęstsza trudność w uczeniu się, dotykająca 10-15% dzieci w wieku szkolnym. Wiąże się z poważnymi upośledzeniami funkcjonalnymi na wszystkich etapach życia. Bogactwo danych dokumentuje trwające przez całe życie niedogodności związane z osiągnięciami edukacyjnymi i zawodowymi. Problematyczne jest to, że obecne interwencje czytelnicze oparte na dowodach w dużej mierze opierają się na usługach wyszkolonych specjalistów, zarówno w dobrze wyposażonych salach lekcyjnych, jak iw warunkach klinicznych. W związku z tym niedofinansowane szkoły (lub kraje) często nie są w stanie zapewnić swoim uczniom interwencji czytelniczych. Ta potencjalnie tragiczna sytuacja sprzyjała proponowanemu projektowi, którego celem jest ocena niedrogiego, obiecującego, opartego na technologii leczenia, które ma dwojakie zalety: jest domowe, a także do wdrożenia bez bezpośredniego nadzoru eksperta, minimalizując w ten sposób zasoby żądania. Niedawne badania potwierdziły skuteczność interwencji czytelniczych opartych na technologii, w szczególności GraphoLearn, który koncentruje się na nauczaniu umiejętności fonologicznych i korespondencji dźwiękowej liter, choć z zauważalnymi różnicami w wielkości efektów. Jak podkreślono w niedawnej metaanalizie, rozmiary próbek są zwykle niewielkie, a w badaniach występują wyraźne różnice w kluczowych elementach metodologicznych, w szczególności w dawkowaniu rozgrywki (które w większości badań jest znacznie poniżej zaleceń ekspertów), grupie kontrolnej (np. bierny) oraz poziom zaangażowania dorosłych w administrację. Co najważniejsze, użyteczność GraphoLearn nie została odpowiednio zbadana poza granicami kontrolowanych placówek szkolnych, przez co nie informuje o wartości administrowania domem – głównej pozytywnej cechy GraphoLearn. Podobnie niezbadane są możliwe predyktory negatywnych wyników dla administracji domowej (np. zgodność z zalecaną dawką gry, która, jak zauważono w naszych wstępnych danych, może się różnić).

Przegląd celu 1. Proponowany projekt odnosi się do ograniczeń nieodłącznie związanych z interwencjami zaradczymi poprzez wdrożenie na dużą skalę, randomizowanego, kontrolowanego badania (RCT) domowego programu GraphoLearn u 450 dzieci z RD (chłopcy i dziewczęta, w wieku 6,0-10,0). Aby osiągnąć ten cel szybko i przy minimalnych kosztach, eksperymentatorzy zwerbują uczestników zapisanych do Healthy Brain Network [HBN], trwającego badania nad zdrowiem psychicznym i zaburzeniami uczenia się u dzieci w wieku 5,0-21,0 lat. których rodzina ma obawy dotyczące zachowania i/lub uczenia się (docelowo n = 10 000; obecnie n = 3000+). HBN obejmuje kompleksową charakterystykę psychiatryczną, poznawczą, EEG i multimodalny MRI dla wszystkich uczestników, dostarczając proponowanemu badaniu bogate dane opisowe. Trudności w czytaniu zostaną zidentyfikowane za pomocą TOWRE (standardowy wynik < 85). Dzieci zostaną przydzielone do 12-tygodniowego/20-godzinnego programu GraphoLearn lub „aktywnego” warunku kontrolnego, w grupie dobranej pod względem IQ i poziomu czytania. Kontrola będzie polegać na grze matematycznej, podobnej w stylu do GraphoLearn, aby kontrolować niespecyficzne efekty interwencji, takie jak czas spędzony na programie, uwaga i inne czynniki. Dzieci przydzielone losowo do grupy kontrolnej otrzymają GraphoLearn po badaniu ze względów etycznych. Zgodnie z rzeczywistymi warunkami, dozwolone będą interwencje niezwiązane z nauką w trakcie okresu studiów. Zostaną one udokumentowane w celu kompleksowego opisu próby oraz analizy predyktorów odpowiedzi (Cel 2).

Cel 1: Ocena skuteczności GraphoLearn na dużej próbie dzieci z RD. Poziom czytania dzieci zostanie oceniony przed, w trakcie (tydzień 6) i na końcu aktywnego badania (tydzień 12). Przedłużone efekty zostaną ocenione 12 tygodni po zabiegu (tydzień 24). Eksperymentatorzy postawili hipotezę statystycznie istotnych różnic w poziomie czytania na korzyść grupy GraphoLearn w porównaniu z grupą kontrolną w tygodniach 12 i 24. Jeżeli hipoteza zostanie potwierdzona, będzie to miało istotne implikacje dla zdrowia publicznego dzieci z rzadkimi chorobami (nie ma twierdzenia, że ​​program zastąpi zindywidualizowane i nadzorowane przez ekspertów korygowanie umiejętności czytania).

Przegląd celu 2. Identyfikacja czynników na poziomie uczestnika i środowiska, które przewidują odpowiedź na leczenie, jest ważnym celem, ale nie została uwzględniona w GraphoLearn. W przypadku interwencji specjalistycznych konsekwentnie stwierdza się, że starsze dzieci oraz dzieci z zaburzeniami językowymi lub poznawczymi mają mniejsze szanse na skorzystanie z nich. W tym przypadku eksperymentatorzy wykorzystują różnorodność współistniejących prezentacji klinicznych wśród słabych czytelników w HBN, aby zidentyfikować domniemane predyktory odpowiedzi na leczenie. Zgodnie z ostatnimi badaniami sugerującymi wartość dodaną funkcji opartych na mózgu w przewidywaniu wyników interwencji, eksperymentatorzy wykorzystują również dostępność anatomicznych danych MRI w opracowywaniu modeli predykcyjnych.

Cel 2. Zidentyfikuj czynniki związane z uczestnikiem i środowiskiem, które są istotnie powiązane z wynikami GraphoLearn. Obszerne charakterystyki fenotypowe i obrazowe zawarte w próbce HBN są wyjątkowo przystosowane do badania obszernego zestawu czynników uczestników i środowiskowych, które mogą przewidywać wyniki leczenia. Modele losowej regresji leśnej zostaną wykorzystane do przewidywania różnic w odpowiedzi na interwencję w GraphoLearn, w oparciu o a priori zestaw podstawowych zmiennych demograficznych, poznawczych, emocjonalnych, mózgu i środowiska domowego. Zakładając, że zgodność (tj. rzeczywisty czas spędzony na graniu w GraphoLearn w stosunku do zalecanego) okaże się silnym predyktorem odpowiedzi, analizy eksploracyjne przyjrzą się również predyktorom zgodności, aby jeszcze bardziej zwiększyć rzeczywistą wartość proponowanej pracy.