神经同步预测儿童学习新单词的能力

2024-06-14 17:32

本文主要是介绍神经同步预测儿童学习新单词的能力,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章来源于微信公众号(茗创科技),欢迎有兴趣的朋友搜索关注。

社会互动,如共同阅读,对于早期发展和语言学习方面有着广泛的影响。目前的研究已经开始探索共同输入表征背后的神经机制,记录相同刺激条件下的个体之间的神经同步。神经同步可以预测与刺激和交流线索接触的质量,但目前的研究还未证明儿童之间的神经同步如何与实时学习相关。

  这篇研究利用功能性近红外光谱(fNIRS),记录了45名儿童(3.5岁至4.5岁)在与一名成年人实验者共同阅读书籍时的神经活动。这本儿童读物的故事中包含了4个新单词和物品,并对物品的功能和人物角色进行了详细的描述。

  研究者们观察儿童在阅读过程中的同步的神经活动发现,在顶叶皮层的学习和个体间神经同步之间存在正相关,顶叶皮层涉及成人的叙事水平加工过程。本研究结果表明,这种共同阅读(现场实验人员将故事朗读给儿童参与者听)的神经参与的特征模式有助于儿童的学习。

图片

社会互动和交流是促进儿童早期学习的核心。语言学习,包括词汇、句法和语用知识的习得,高度依赖于与成人和其他儿童的社会交往,这有助于引导学习者注意到最有用的输入信息。

如果语言的主要功能是向他人传达思想和意图,那么语言学习依赖于交际语境就不足为奇了,这一观点在以前的大量研究中已经得到了证实。例如,有研究发现,婴儿通过面对面的互动比通过音频或视听记录能够更好地学习声音类别。

儿童照看者的偶然社会反馈,包括微笑、触摸和发声,会塑造婴儿咿呀学语的声学特征。与成人共同注意的能力在发育早期就出现了,并且能够预测儿童后来的词汇量和对新物体的学习。这些发现和许多其他研究都表明了社会互动在早期语言学习中扮演着重要的角色。

重要的是,越来越多的证据表明,神经同步不仅依赖于接触相同的刺激,而且还依赖于部分甚至完全共享的对其意义的高层次理解。例如,不仅在与初级听觉皮层、语言产生(额下回)和语言理解(颞上回和颞顶叶连接)相关的区域观察到显著的听者间同步,而且在高级、默认模式网络区域,包括楔前叶、顶叶小叶、顶叶内沟、内侧前额叶皮层和背外侧前额叶皮层,亦是如此。

神经同步可能在学习中起着积极的作用。在自然的互动过程中,交流输入的重要特征(例如,成人的行为或故事叙述的结构元素)可能会促使儿童学习者的大脑进入一种相位夹杂的短暂状态,这样在编码信息的最佳时刻,能够使大脑具有最大限度地兴奋状态。

最近的一项研究测量了说话者和听者(成人和婴儿)在面对面互动(游戏、唱歌和阅读)环境下的耦合,发现前额叶皮层显示出最强的耦合。

为了研究学龄前儿童从故事书中学习的神经基础,本研究作者使用功能性近红外光谱(fNIRS)记录了儿童参与者与一名成年实验者联合阅读书籍时的神经活动。

图片

故事刺激与学习评估:(a)故事书的时间线示意图如下,遵循西方的一般情节结构,包括阐述、冲突和解决。(b)学习成绩评价,按题类分列,每类有一个例题。问题是通过实验者事先录制的音频片段呈现的。

图片

研究者设计这个故事的目的是让孩子们接触到多层次的复杂语义信息,从个体对象标签的含义到关于角色目标和冲突解决的高阶、长时间的叙述信息。研究发现,总体学习能力显著高于随机学习。

图片

对于每个孩子,研究者计算了ISC值与他们从故事中学习新单词的相关性(图3A)。这种相关性主要在顶叶ROI。研究者检查ISC和总体学习分数之间的关系时,也出现了同样的情况(所有问题的准确率都下降了;图3C):顶叶ROI (r(43) = 0.31, p < .05, R2 = 0.10);额叶 ROI (r(43) = 0.04, p = .78, R2 = 0.002;时间 ROI (r(43) = 0.01, p = .99, R2 = 0.001)。

本研究发现,儿童在顶叶通道中的神经同步与儿童的学习显著相关,无论是对单个单词的学习还是对故事内容的整体学习,在问题类型中都是不连贯的。每个孩子的神经时间序列越接近这个特征模式(特别是在顶叶皮层),他们就越能更好地学习故事中介绍的新单词。这证明在听故事的过程中听者-听者(儿童-儿童)的神经同步与实时词汇学习之间存在联系。特别是,与成年人一起阅读书籍是自然环境,会促使儿童更接近学习新单词的理想神经信号。

成年观察者的大脑在更高级的默认模式网络区域(包括顶叶和内侧前额叶皮层)共享对刺激的高层次理解时,当这种高级理解被中断时,低阶感觉区域(如听觉皮层)在参与者中保持同步,但高级区域的同步消失,这揭示了参与者之间的同步不仅仅是由简单的相同刺激输入驱动的。相反,它是基于语义或叙事层面内容的联合参与过程。

而且本研究发现,这种关系只在顶叶皮层显著前额叶皮层却没有发现这种作用可能是由以下因素造成的。首先,可能在儿童早期,大脑顶叶区域在跟踪叙述内容中发挥了重要作用,而前额叶皮层直到发育后期才与默认模式网络的其余部分相连接。另外,追踪单个单词含义的过程可能与顶叶皮层控制的注意力因素有更强的联系。

对于神经同步性和学习之间的联系,一种可能的解释是,那些注意到故事中的关键结构的儿童,他们的神经信号更可能反映一个理想的刺激驱动信号(导致更高的ISC),往往学习得更有效。那些关注与故事不太相关或不太有用的方面的孩子,或者完全不参与的孩子,可能存在神经信号与小组其他成员同步的成功率较低,进而导致学习效率也较低。

原文:Piazza, E. A. , Cohen, A. , Trach, J. , & Lew-Williams, C. . (2021). Neural synchrony predicts children's learning of novel words. Cognition, 214(1), 104752.

这篇关于神经同步预测儿童学习新单词的能力的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1061052

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

服务器集群同步时间手记

1.时间服务器配置(必须root用户) (1)检查ntp是否安装 [root@node1 桌面]# rpm -qa|grep ntpntp-4.2.6p5-10.el6.centos.x86_64fontpackages-filesystem-1.41-1.1.el6.noarchntpdate-4.2.6p5-10.el6.centos.x86_64 (2)修改ntp配置文件 [r

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识