Влияние компьютерных когнитивных тренировок на структуру исполнительных функций у детей и подростков

Сетевой анализ исполнительных функций до и после компьютерных когнитивных тренировок у детей и подростков

Исполнительные функции (ИФ) играют ключевую роль в когнитивном и социально-эмоциональном развитии. Факторный анализ выявил возрастную структуру ИФ, варьирующуюся от единого общего фактора в раннем детстве до трех факторов у взрослых, соответствующих контролю импульсивности (КИ), переключению и обновлению. Производительность КИ меняется не только с возрастом, но и с помощью когнитивных тренировок. Удивительно, но лишь немногие исследования изучали изменения структуры ИФ, связанные с тренировками. Мы использовали модель сети регуляризованных частичных корреляций для анализа структуры ИФ у 137 типично развивающихся детей (9–10 лет) и подростков (15–17 лет) до и после компьютерных когнитивных тренировок. Модели сетей (МС) – подход, основанный на теории графов, позволяющий описывать структуру сложных систем – могут предоставить априори свободное понимание структур ИФ. Мы проверили гипотезу о том, что изменения, связанные с тренировками, могут имитировать изменения, связанные с развитием. Количественные и качественные изменения были обнаружены в структуре сети ИФ как с возрастом, так и с помощью когнитивных тренировок. Примечательно, что структура сети ИФ у детей после тренировок была более похожа на сети подростков, чем до тренировок. Данное исследование предоставило первые доказательства структурных изменений в ИФ, зависящих от возраста и тренировок, и поддерживает гипотезу о том, что тренировки могут ускорить развитие некоторых структурных аспектов ИФ. Из-за размера выборки эти выводы следует считать предварительными до воспроизведения на независимых больших выборках.

Резюме

Исполнительные функции (ИФ) играют ключевую роль в когнитивном и социально-эмоциональном развитии. Факторный анализ выявил возрастную зависимость структуры ИФ, начиная от единого общего фактора в раннем детстве до трех факторов у взрослых, соответствующих контролю импульсивности (КИ), переключению и обновлению. Производительность КИ меняется не только с возрастом, но и с помощью когнитивных тренировок. Удивительно, но лишь немногие исследования изучали изменения структуры ИФ, связанные с тренировками. Мы использовали модель сети регуляризованных частичных корреляций для анализа структуры ИФ у 137 типично развивающихся детей (9–10 лет) и подростков (15–17 лет) до и после компьютерных когнитивных тренировок. Модели сетей (МС) – подход, основанный на теории графов, позволяющий описывать структуру сложных систем – могут предоставить априори свободное понимание структур ИФ. Мы проверили гипотезу о том, что изменения, связанные с тренировками, могут имитировать изменения, связанные с развитием. Количественные и качественные изменения были обнаружены в структуре сети ИФ как с возрастом, так и с помощью когнитивных тренировок. Примечательно, что структура сети ИФ у детей после тренировок была более похожа на сети подростков, чем до тренировок. Данное исследование предоставило первые доказательства структурных изменений в ИФ, зависящих от возраста и тренировок, и поддерживает гипотезу о том, что тренировки могут ускорить развитие некоторых структурных аспектов ИФ. Из-за размера выборки эти выводы следует считать предварительными до воспроизведения на независимых больших выборках.

Введение

Исполнительные функции (ИФ) — это набор высших когнитивных функций, которые позволяют человеку целенаправленно регулировать свое мышление и действовать для достижения целей¹. Обычно выделяют три ИФ: контроль импульсивности, рабочую память или обновление, и когнитивную гибкость или переключение². Эти функции необходимы для развития более сложных навыков, таких как рассуждение³, теория разума^4,5,6, арифметика^7,8,9, принятие решений¹⁰ и креативность^11,12. Способности ИФ улучшаются с возрастом^{13,14,15,16,17,18,19} под сильным генетическим и средовым влиянием^{2,20,21,22,23}.

Исследования индивидуальных различий в ИФ показывают, что производительность в задачах, направленных на конкретную область ИФ (например, контроль импульсивности), коррелирует, но также отдельна от производительности в задачах, охватывающих другие области ИФ (например, переключение)²⁴. Более того, хотя результаты различных задач ИФ часто положительно коррелируют друг с другом, эти корреляции часто не выше, чем между ИФ и не-ИФ задачами. В этом контексте исследования изучали структуру этих функций, чтобы определить, в какой степени (a) они отражают различные или общие способности и (b) эти способности становятся более специфичными с возрастом. Используя моделирование структурными уравнениями (SEM), Мияке и др.¹ предложили иерархическую структуру ИФ с тремя латентными факторами, представляющими каждую область ИФ. У взрослых эти латентные факторы разделимы (разнообразие ИФ), хотя они разделяют значительную долю дисперсий (единство ИФ или общая способность ИФ)²⁰. Структура ИФ эволюционирует от однофакторной структуры в раннем детстве без четкого разделения между задачами ИФ^25,26,27,28 до двух-четырехфакторной структуры в подростковом возрасте^{15,21,28,29,30,31}. Примечательно, что некоторые исследования также сообщают об организации с более чем одним фактором у маленьких детей³¹ и менее чем тремя факторами у детей старшего возраста³². Недавний мета-анализ³³ протестировал семь моделей структуры ИФ и обнаружил некоторые свидетельства большей унимерности ИФ среди выборки детей/подростков, а также единства и разнообразия среди взрослых. Развивающаяся организация ИФ¹⁵ подкрепляется недавним исследованием нейровизуализации, сообщающим о возрастающей сегрегации модулей структурной нейронной сети с возрастом, и эта сегрегация опосредует влияние возраста на ИФ³⁴. Кроме того, недавнее поведенческое исследование детей в возрасте от 7 до 15 лет²⁴ показало, что возраст в основном влияет на общие загрузки ИФ контроля импульсивности и переключения. Следовательно, в то время как в детстве обновление, переключение и контроль импульсивности, вероятно, опираются на схожие основные когнитивные процессы, в подростковом возрасте ИФ становятся более специализированными и независимыми.

Поскольку ИФ вовлечены в обучение, академическую успеваемость, психическое здоровье и повседневное функционирование^2,35, несколько программ вмешательства протестировали возможность стимулирования различных аспектов ИФ, включая рабочую память^36,37 и контроль импульсивности (далее КИ)^{2,10,38,39,40,41}. Эти исследования, проведенные на детях, подростках и молодых взрослых, показали, что возможно тренировать ИФ и подняли вопрос о продолжительности эффектов тренировок³⁹, а также о возможности переноса эффектов тренировки одной ИФ на другие исполнительные или когнитивные области^10,39,40,41. Действительно, большинство тренировочных исследований направлены на определение степени, в которой тренировка исполнительного контроля и, в частности, тренировка КИ, переносится на нетренированные задачи в той же области или ИФ (т.е. ближний перенос) или в другие области или функции (т.е. дальний перенос). В то время как некоторые исследования сообщали о ближнем и дальнем переносе эффектов у дошкольников (для ближнего переноса: Чжао и др.⁴¹, а для дальнего переноса: Лю и др.⁴⁰; Руэда и др.⁴²), другие исследования не показали эффектов ближнего или дальнего переноса тренировки КИ^43,44,45. Важно отметить, что на сегодняшний день ни одно исследование тренировки ИФ не оценивало степень, в которой тренировка ИФ изменяет структуру ИФ.

Другой способ понять организацию ИФ и то, как она меняется с возрастом, — это использовать сетевое моделирование (МС), подход, основанный на теории графов, позволяющий описывать структуру сложных систем⁴⁶. Основной принцип МС заключается в том, что системы могут быть представлены как узлы, соединенные ребрами (чем толще ребра, тем сильнее связь). Полный граф (узлы и ребра) суммирует закономерность отношений между элементами⁴⁷. В то время как в SEM общая дисперсия наблюдаемых переменных (например, баллы по когнитивным задачам) предполагается отражающей латентный конструкт (например, контроль импульсивности или рабочую память), в МС предполагается, что общая дисперсия отражает причинно-следственную сеть⁴⁸.

Применение МС к ИФ позволяет нам определить, какие узлы (здесь, конкретная задача ИФ) играют центральную роль в сети (здесь, различные задачи ИФ). Кроме того, МС имеет потенциал для проверки теоретических моделей о том, как структуры ИФ трансформируются с возрастом, и, в частности, какие компоненты могут стать более центральными для общей исполнительной обработки и, следовательно, оказывать большее влияние на другие процессы ИФ с возрастом. Используя МС на когорте близнецов в возрасте от 7 до 15 лет, Хартунг и др.²⁴ обнаружили, что взаимосвязи между задачами ИФ оставались стабильными с возрастом, за исключением задач ингибирования, чья общая дисперсия с другими задачами ИФ уменьшалась с возрастом. Эти результаты предоставили конвергентные доказательства того, что КИ особенно важен для того, чтобы маленькие дети могли использовать другие ИФ для достижения целей, но играет меньшую роль в регулировании других ИФ на более поздних этапах развития^32,35,49. МС также может дать интересное представление о влиянии тренировок на структуру когнитивных функций. На сегодняшний день только одно исследование использовало МС для анализа таких эффектов у молодых взрослых⁵⁰. Исследование показало, что взаимосвязи между 25 переменными, связанными с осознанностью, состраданием, психологическим благополучием, психологическим стрессом и эмоционально-когнитивным контролем, изменились после программы снижения стресса на основе осознанности (MBSR).

В настоящем исследовании мы изучили, как структура ИФ подвергается влиянию тренировки ИФ у детей и подростков с использованием МС. Применяя такой подход, мы стремились определить, ускоряют ли тренировки развитие ИФ или качественно изменяют развитие ИФ, отклоняясь от траектории развития, обычно наблюдаемой от детства к подростковому возрасту⁵¹. Для этого мы оценили ИФ у 77 детей (9–10 лет) и 60 подростков (16–17 лет) до и после 5 недель компьютерных тренировок. Дети и подростки были случайным образом распределены в группу тренировки КИ или в группу активного контроля (Рис. 1). Мы предположили, что если тренировка КИ ускоряет развитие КИ, то изменения, связанные с тренировками, должны имитировать изменения, связанные с развитием, а именно, структура ИФ у детей после тренировки КИ, но не после тренировки контроля, должна быть более похожа на структуру ИФ у подростков, чем до тренировок. С другой стороны, если тренировка КИ изменяет траектории развития КИ, то структура ИФ у детей после тренировки КИ должна отличаться от структуры до тренировок (но не после тренировки контроля) и от структуры ИФ у подростков. Данное исследование, которое является предварительным, учитывая размер выборки, позволит проверить эти гипотезы до воспроизведения на независимой выборке.

Результаты

Мы исследовали влияние развития и когнитивных тренировок на ИФ, используя сеть из 6 узлов с 4 мерами, охватывающими различные аспекты КИ (тест Струпа на интерференционный контроль, тест «Стоп-сигнал» и тест Симона на торможение реакции, а также тест на сеть внимания (ANT) на торможение внимания), 1 мерой переключения (тест на переставление карточек или TMT) и 1 мерой обновления (N-back). Была построена и оценена соответствующая сеть.

Развивающий анализ: дети против подростков на претесте (до тренировки)

Сначала мы изучили структуру ИФ у детей и подростков на основе анализа сетей ИФ на претесте до тренировки (см. Рис. 2 и 3). Визуальный осмотр показал, что сети у подростков имеют больше и сильнее связи, чем у детей.

Визуальный осмотр сопровождался количественным анализом топологии сети с использованием классических индексов графа (см. Рис. 2 и 3). Различные индексы были схожи у детей и подростков. Три общие меры центральности использовались для количественной характеристики сети на уровне узлов⁵²: сила (мера того, насколько сильно узел непосредственно связан с сетью), центральность по посредничеству (мера того, насколько узел централен в соединении других переменных) и центральность по близости (мера того, насколько сильно узел косвенно связан с сетью). Более высокая центральность по близости указывает на то, что узел (задача) более связан, даже косвенно, с другими узлами (задачами). Более высокая сила указывает на то, что узел (задача) сильнее связан с другими узлами (задачами). Поскольку эти индексы рассчитываются на основе абсолютных значений весов ребер и поэтому могут упускать информацию о структуре сети, если присутствуют отрицательные отношения между узлами⁵³, использовались также две другие меры центральности: ожидаемое влияние (EI), которое является суммой положительных и отрицательных весов между узлом и всеми другими узлами в сети, и степень, которая является количеством связей для каждого узла в сети, определяя, таким образом, хабы (узлы с наибольшей степенью).

Как у детей, так и у подростков переменные с наибольшей центральностью по посредничеству также имели наибольшую силу, центральность по близости и EI. Однако такие центральные переменные различались с возрастом: у детей наиболее центральные узлы включали тест Струпа, тест «Стоп-сигнал» и TMT, тогда как у подростков — ANT и TMT. У детей большое количество отношений (т.е. высокая степень) обычно сопровождалось низкими весами (т.е. низкий EI и сила).

У подростков анализ хабов выявил однородные результаты с одинаковыми весами по всем четырем индексам. В целом, эти индексы были немного ниже у детей, чем у подростков, что отражает менее связанную сеть у 9–10-летних детей, чем у 16–17-летних.

Затем мы проанализировали сообщества. Сообщество соответствует набору узлов, которые сильнее кластеризуются друг с другом, чем с другими узлами в сети; такие сообщества отражают высокое взаимное влияние среди узлов в данном кластере. Анализ сообществ выявил два кластера в сети каждой возрастной группы (Рис. 2 и 3A–C). У детей два кластера были следующими: (1) Кластер A (оранжевый), который включал 3 узла, соответствующих исполнительным функциям (тест «Стоп-сигнал», ANT и TMT); (2) Кластер B (синий), который включал 3 узла, соответствующих КИ и обновлению (тест Струпа, тест Симона и N-back). У подростков два кластера были следующими: (1) Кластер A (оранжевый), включающий 3 узла, соответствующих исполнительным функциям (тест Симона, TMT и N-back); (2) Кластер B (синий), включающий 3 узла, соответствующих КИ (тест Струпа, тест «Стоп-сигнал» и ANT). Единственное различие между сетями детей и подростков заключалось в смене кластера для Stroop и TMT. Наконец, отрицательная корреляция между весами ребер в разных сетях (r = −0.51) отражала ранее наблюдаемые различия в связности сети.

Эффекты тренировок: претест против посттеста

Изменения в структуре ИФ сначала были исследованы с использованием классических унивариантных ANOVA с повторными измерениями, примененных к двум возрастным группам и двум группам тренировок отдельно (Таблица 1 и Рис. 4). Эти анализы выявили значительное изменение в тесте «Стоп-сигнал» (p < 0.14).

Дополнительные анализы, включающие возрастную и тренировочную группы в качестве факторов для изучения возможных возрастных и специфических для тренировки эффектов, выявили только значимые основные эффекты возрастной группы для SST (p = 1.3 × 10–5) и для TMT (p = 0.01), но никаких взаимодействий, включающих возраст или тренировочную группу (все p > 0.27; см. детали анализов в Таблице S1). Пост-хок анализы с коррекцией Тьюки для множественного тестирования выявили значительные изменения от пре- до посттренировочного периода у детей в группе КИ для SST (p = 0.009) и TMT (p = 0.03).

Примечательно, что T-критерий Стьюдента для двух независимых выборок не выявил значимых различий между двумя группами тренировок на претесте, за исключением TMT у подростков (t (39.39) = −2.16, p < 0.17. См. детали исходных баллов до и после тренировок для трех задач ИФ в Таблице 1 и в радарных диаграммах, представляющих относительные изменения после двух типов тренировок на Рис. 4.

Эти стандартные анализы были далее исследованы путем сравнения структуры сети на претесте и посттесте для детей (Рис. 2 и 5) и подростков (Рис. 3 и 5).

Когнитивные тренировки у детей

6-узловая сеть детей имела иную организацию, с более плотными, многочисленными и сильными связями после тренировок по сравнению с претестом, особенно после тренировки КИ. Почти все переменные показали увеличение силы (за исключением задачи «Стоп-сигнал») и центральности по близости (Рис. 2B). Тест Струпа и TMT остались наиболее центральными узлами сети после тренировки КИ. После тренировки AC большинство переменных увеличили силу и центральность по близости, а N-back стал наиболее центральным узлом в сети наряду с TMT. Индексы центральности выявили слабые связи на претесте у детей (сила < 120), что важно для воспроизведения результатов в подтверждающих исследованиях на более крупных и независимых выборках. Примечательно, что набор и последующее наблюдение за типично развивающимися детьми школьного возраста и подростками, участвовавшими в 5-недельном лонгитюдном исследовании с когнитивными тренировками на тактильном планшете, вызвали серьезные логистические и практические проблемы, которые ограничили размер выборки. Следуя недавним рекомендациям по анализу МС при малом размере выборки (т.е. примерно сотни участников), мы ограничили количество переменных до 6⁵⁷, поскольку это позволило нам восстановить общую структуру сети, хотя полная сеть не могла быть измерена. Этот критерий также привел к несбалансированности трех ИФ при создании сетей. Действительно, КИ был представлен чрезмерно (4 узла из 6). Поскольку это была одна из тренируемых функций, казалось важным рассмотреть влияние тренировки на организацию этой конкретной ИФ. Поскольку такой дисбаланс может исказить анализ, и особенно оценку частичных корреляций, мы дополнили наш 6-узловой сетевой анализ сбалансированным 3-узловым сетевым анализом с сетями, включающими по одной мере на каждую ИФ. Эти 3-узловые сети далее подтвердили результаты, полученные с помощью 6-узлового сетевого анализа, а именно: большее количество связей в детстве, чем в подростковом возрасте, и схожие сетевые изменения, связанные с тренировками и развитием. Перспективой является включение латентных переменных в сети⁵⁸, что позволит нам наблюдать связи, без априорных предположений, между задачами в рамках одной латентной переменной ИФ. Во-вторых, поведенческие изменения, наблюдаемые от пре- до посттренировочных сессий, могут быть приписаны не только самой тренировке, но также могут отражать эффект «регрессии к среднему»⁵⁹. Этот статистический феномен возникает, когда случайная переменная — здесь баллы по задачам — является экстремальной в базовой линии, но ближе к среднему при последующем наблюдении или наоборот, и обычно влияет на продольные дизайны, такие как используемый в настоящем исследовании. Однако маловероятно, что разница в изменении эффективности КИ от пре- до посттренировочных сессий между группами КИ и AC тренировок только отражает такой эффект «регрессии к среднему», поскольку участники были случайным образом распределены в две группы тренировок, и, следовательно, обе группы потенциально одинаково подвержены такому эффекту⁶⁰.

МС предоставляет оригинальный и актуальный способ исследования влияния когнитивных тренировок на организацию ИФ, дополняя более классические статистические подходы, такие как унивариантные ANOVA. Наше исследование, сочетающее МС и классические ANOVA, представляется актуальным для анализа изменений в когнитивных функциях, связанных с развитием и тренировками. Недавние методологические разработки, такие как модели модерируемых сетей⁶¹ или деревья сетевых моделей⁶², могут представлять интерес для дальнейшего изучения факторов, которые могут влиять на организацию сети после вмешательства. Поскольку нейронные сети ИФ известны своей вариативностью с возрастом и корреляцией с поведенческой производительностью ИФ³⁴, мультимодальный и многоуровневый подход, сочетающий сетевой анализ на поведенческом и нейронном уровнях (например, с использованием функциональной магнитно-резонансной томографии в состоянии покоя)⁶³, вероятно, является интересным направлением для исследования. Такой подход мог бы предоставить более полное представление об ИФ⁶⁴ и мог бы проложить путь к интегративному подходу, включающему поведенческий, нейронный, а также генетический и средовой уровни.

Методы

Участники

Мы набрали 137 здоровых участников из государственных школ: 77 детей (33 мальчика, средний возраст ± стандартное отклонение = 9.86 ± 0.55 лет, диапазон = 9–10 лет) и 60 подростков (20 мальчиков, средний возраст = 16.56 ± 0.48 лет, диапазон = 15–17 лет). Все участники были правшами, что определялось Эдинбургским опросником для оценки доминирования руки⁶⁵, родились в срок, имели нормальное или скорректированное до нормального зрение, не имели истории неврологических заболеваний и не имели церебральных аномалий. Родители или законные опекуны дали письменное информированное согласие на участие детей и подростков, и все дети и подростки согласились участвовать. Все участники были протестированы в соответствии с национальными и международными нормами, регулирующими использование человеческих исследовательских субъектов. Национальный комитет по этике (Комитет по защите лиц, CPP) одобрил наше исследование у детей (IDRCB 2015A0038346) и у подростков (IDRCB 2015A0081148).

Когнитивные тренировки

Как в компьютерных 5-недельных тренировках КИ, так и в AC, сложность постепенно увеличивалась и адаптировалась в реальном времени к кривой обучения каждого участника, чтобы поддерживать его мотивацию и предотвращать автоматизацию^36,66,67. В каждой сессии уровень сложности увеличивался или уменьшался после каждого блока испытаний, выполненных на данном уровне. Все задачи были реализованы на планшете с использованием Eprime 2.0.

Тренировка КИ включала две задачи, связанные с контролем интерференции (тест Струпа «Цвет-слово») и торможением реакции (SST), поскольку (a) КИ является многомерным конструктом² и (b) эффекты переноса могут быть потенциально больше, когда одна и та же когнитивная функция тренируется с использованием различных задач^66,67. В частности, каждая задача, выполняемая участниками во время тренировки КИ, включала различные типы процессов торможения, а именно торможение реакции для задачи «Стоп-сигнал» и контроль интерференции для задачи Струпа «Цвет-слово». Задача «Стоп-сигнал» обычно требует ингибирования двигательной реакции после ее начала, в то время как задача Струпа «Цвет-слово» требует ингибирования нерелевантной информации (т.е. цвета, обозначаемого словом)².

Тренировка AC состояла из задач, основанных на знаниях и словарном запасе, с возрастающей сложностью³⁹. В каждой задаче предлагалось 10 вопросов с выбором из 4 вариантов, похожих на викторину, и участникам предлагалось ответить, нажав на один из четырех вариантов, представленных на экране. Участникам предоставлялось максимум 30 секунд для ответа на каждый вопрос. Онлайн-претест, проведенный более чем на 1600 детей и подростков, помог нам отобрать вопросы, отнесенные к каждому из 8 уровней сложности. На каждом уровне предлагалось десять вопросов.

В конце каждого уровня, в зависимости от достигнутой точности, участники зарабатывали очки, которые могли быть обменены в конце 25 тренировочных сессий на небольшой подарок (книги и настольные или карточные игры). Во всех четырех задачах сложность задачи увеличивалась, когда участники достигали 90% точности на данном уровне, уменьшалась, когда участники не достигали 70% точности на данном уровне, и оставалась прежней, когда участники достигали точности от 70 до 90% на данном уровне. На каждой задаче каждой тренировочной сессии участники начинали сессию с уровнем сложности на один ниже, чем тот, которого они достигли в предыдущей тренировочной сессии. В двух задачах тренировки КИ сложность ингибирования либо инициированной двигательной реакции, либо нерелевантной информации задачи адаптировалась после каждого блока тренировок. В задаче «Стоп-сигнал» увеличение задержки между предъявлением стимула и предъявлением сигнала остановки делало ингибирование двигательной реакции все более трудным⁶⁸. В задаче Струпа «Цвет-слово» по мере уменьшения задержки между предъявлением слова и окрашиванием слова, ингибирование нерелевантной информации (т.е. цвета, обозначаемого словом) становилось все более трудным⁶⁹. В задачах тренировки AC ответы на вопросы становились все более трудными для определения и адаптировались после каждого блока тренировок. В конце каждой тренировочной сессии родителям было поручено отправить файл данных, сгенерированный Eprime 2.0, а участникам предлагалось заполнить краткую самооценку своей мотивации и вовлеченности во время сессии. Уровни, достигнутые на каждой тренировочной сессии, представлены на Рис. S2 в Дополнительных материалах. Участники, включенные в анализы, должны были завершить не менее 15 тренировочных сессий.

Оценка ИФ

Участники прошли когнитивную батарею в пре- и посттренировочных сессиях, измеряющую различные аспекты ИФ. Было проведено шесть задач для измерения трех ИФ: когнитивная гибкость (здесь называемая переключением), обновление рабочей памяти (здесь называемое обновлением) и контроль импульсивности. Задача, использованная для идентификации фактора переключения, — это тест на переставление карточек (TMT)⁷⁰, а для фактора обновления — задача N-back⁷¹. Четыре задачи использовались для идентификации фактора контроля импульсивности: тест Струпа «Цвет-слово»⁷², задача «Стоп-сигнал»⁷³, тест Симона⁷⁴ и ANT (тест на сеть внимания)⁷⁵; каждая из этих задач затрагивает различные аспекты КИ: тест Струпа — контроль интерференции, задачи «Стоп-сигнал» и Симона — торможение реакции, а ANT — торможение внимания^2,76. Чтобы ограничить потенциальные различия в знакомстве с задачами Струпа и «Стоп-сигнал», используемыми в пре- и посттренировочных сессиях, между участниками групп КИ и AC, мы внесли ряд отличий между этими задачами и теми, которые использовались в тренировочных сессиях КИ: (a) мы не использовали контрольные испытания, и мы не варьировали сложность задачи в тесте Струпа «Цвет-слово»; (b) задержка «Стоп-сигнала» адаптировалась на основе каждого испытания, а не на основе блока испытаний в SST.

Для каждой задачи баллы были проверены и очищены от возможных аберрантных значений с использованием непараметрического подхода: выбросы определялись как значения ниже медианы − 2.5 MAD или выше медианы + 2.5 MAD (MAD: медиана абсолютных отклонений) и считались отсутствующими значениями в анализах.

Построение и анализ когнитивных сетей

МС были дополнены классическими унивариантными статистическими анализами (дисперсионный анализ, ANOVA). Как и для МС, ANOVA проводились отдельно для каждой из шести задач ИФ для двух возрастных групп и двух групп тренировок. Для оценки возможных группоспецифических эффектов были проведены дополнительные ANOVA для каждой задачи, включая возрастную группу (дети против подростков) и группу тренировок (КИ против AC) в моделях.

ANOVA с повторными измерениями оценивались с использованием смешанных линейных моделей. Мы использовали пакет lme4⁷⁷ с переменной «Время» (пре- или посттренировка) в качестве фиксированных эффектов и свободными членами для субъектов в качестве случайных эффектов. P-значения были получены с помощью тестов отношения правдоподобия полной модели, включая тестируемый эффект, против модели без тестируемого эффекта.

Затем были построены отдельные сети, основанные на корреляционной матрице баллов задач ИФ, для детей и подростков до тренировки (претест) и после тренировки (тренировка контроля импульсивности: посттест КИ; тренировка активного контроля: посттест AC). Было оценено шесть сетей (3 на возрастной диапазон). Эти сети включали 6 узлов, соответствующих баллам 6 когнитивных задач, которые мы сгруппировали в три ИФ:

• Контроль импульсивности: баллы по тестам «Цвет-слово» Струпа, «Стоп-сигнал», Симона и ANT (для «Стоп-сигнала» мы рассчитали SSRT, как рекомендовано⁷⁸, а для других задач мы рассчитали разницу в времени реакции (RT) между несогласующимися и согласующимися парами).
• Переключение: оценка гибкости TMT (разница RT между TMTB и TMTA).
• Обновление: оценка N-back (разница RT между испытаниями 2-back и 1-back).

Включение тренируемых (Струпа и «Стоп-сигнал») и нетренируемых (Симона и ANT) задач КИ позволило нам наблюдать прямые эффекты тренировки, нацеленной на КИ, на тренируемые задачи, а также на другие задачи КИ (внутри ИФ) и, таким образом, оценить эффекты ближнего переноса в рамках той же ИФ. Включение TMT и N-back позволило нам оценить эффекты тренировки КИ на другие задачи ИФ (между ИФ) и, таким образом, оценить эффекты более дальнего переноса при ограничении количества узлов до 6, как рекомендовано для выборки размером около 100⁵⁷.

В дополнение к 6-узловым сетям были построены сбалансированные 3-узловые сети, имеющие только по одному узлу на каждую ИФ (тест «Стоп-сигнал» для КИ, TMT для переключения и N-back для обновления). Такие сбалансированные сети решают проблемы интерпретации 6-узловой сети, связанные с моделями частичных сетей, которые удаляют общую дисперсию, связанную со всеми другими тестами ИФ в модели (т.е. отношение между каждой задачей ингибирования с переключением и обновлением включало контроль за другими тестами ингибирования).

МС использовались для анализа (1) множественных отношений (ребер) между различными задачами ИФ (узлами) одновременно и (2) того, как эти отношения изменяются во время развития (дети против подростков) и после когнитивных тренировок (до и после тренировок). Мы использовали процедуру последовательных шагов, предложенную для сетевого анализа в психологии⁷⁹: (1) оценка сети; (2) вывод сети (топологическая характеристика); и (3) анализ сообществ узлов. Взаимосвязь между различными переменными моделировалась с помощью гауссовой графической модели (GGM)⁸⁰, регуляризованной сети частичных корреляций (RPCN). Ребро между двумя узлами/задачами соответствовало частичной корреляции между двумя соответствующими переменными, контролируя эффекты оставшихся переменных. Мы использовали ранговые корреляции Спирмена, как рекомендовано⁸¹.

Статистический анализ проводился с использованием статистического программного обеспечения R, версия 3.6.1 (R Development Core Team, 2014). Сети строились и визуализировались с использованием пакета qgraph версия 1.6.4⁸². Как было рекомендовано ранее⁸³, мы исследовали надежность и воспроизводимость анализов (проверка точности) с использованием пакета bootnet версия 1.4⁸¹. Изображения точности весов ребер можно найти в Дополнительных материалах.

Характеристика сетей

Сети характеризовались как количественными, так и качественными мерами. Пять классических мер центральности использовались для количественной характеристики сети на уровне узлов⁵²: сила (сумма весов прямых отношений узла со всеми другими узлами), центральность по близости (обратная величина общей длины всех кратчайших путей между выбранным узлом и всеми другими узлами в сети), центральность по посредничеству (кратчайший путь, соединяющий любые две переменные), ожидаемое влияние (сумма положительных и отрицательных весов между узлом и всеми другими узлами в сети) и степень (количество связей для каждого узла в сети), таким образом определяя хабы (узлы с наибольшей степенью). Анализ сообществ основывался на алгоритме Spinglass⁸⁴ со стандартными параметрами (γ = 1, начальная температура = 1, конечная температура = 0.01, коэффициент охлаждения = 0.99, спины = 25). Также оценивалась корреляция между весами ребер в разных сетях.

Данные

Соответствующий автор несет ответственность за предоставление заявления о конфликте интересов от имени всех авторов статьи. Это заявление должно быть включено в файл, представленный для статьи.

Ссылки

Скачать список литературы

Благодарности

Исследование поддержано грантом Национального агентства научных исследований Франции (ANR14CE30001401 APEX).

Информация об авторах

Заметки авторов

Эти авторы внесли равный вклад: Грегуар Борст и Арно Кашиа.

Авторы и их принадлежность

• Лаборатория психологии развития и образования, UMR CNRS 8240, Университет Париж Сите, Париж, Франция
• Ирис Меню, Габриэла Резенде, Лорна Ле Станс, Грегуар Борст и Арно Кашиа
• Институт Франции, Париж, Франция
• Грегуар Борст
• Биомаркеры визуализации для развития и расстройств мозга, UMR INSERM 1266, GHU Париж психиатрия и нейронауки, Университет Париж Сите, 75005, Париж, Франция
• Арно Кашиа

Авторы

• Ирис Меню. Просмотр публикаций автора. Поиск автора на: PubMed Google Scholar
• Габриэла Резенде. Просмотр публикаций автора. Поиск автора на: PubMed Google Scholar
• Лорна Ле Станс. Просмотр публикаций автора. Поиск автора на: PubMed Google Scholar
• Грегуар Борст. Просмотр публикаций автора. Поиск автора на: PubMed Google Scholar
• Арно Кашиа. Просмотр публикаций автора. Поиск автора на: PubMed Google Scholar

Вклад

Г.Б. и А.К. разработали проект. Г.Р., И.М. и А.К. провели эксперименты. Л.Л.С., И.М. и А.К. внесли вклад в подготовку данных. И.М. и А.К. проанализировали результаты. И.М. написал первый черновик рукописи. Все авторы критически пересмотрели статью и внесли вклад в ее написание и доработку.

Корреспондирующий автор

Переписка с Арно Кашиа.

Этические декларации

Конфликты интересов

Авторы заявляют об отсутствии конфликтов интересов.

Дополнительная информация

Замечание издателя Springer Nature сохраняет нейтралитет в отношении территориальных претензий, изложенных в опубликованных картах и институциональных принадлежностях.

Дополнительная информация

Дополнительная информация.

Права и разрешения

Открытый доступ Эта статья лицензирована в соответствии с Международной лицензией Creative Commons Attribution 4.0, которая разрешает использование, обмен, адаптацию, распространение и воспроизведение на любом носителе или в любом формате, при условии, что вы указываете соответствующего автора (авторов) и источник, предоставляете ссылку на лицензию Creative Commons и указываете, были ли внесены изменения. Изображения или другие материалы третьих сторон, включенные в эту статью, включены в лицензию Creative Commons статьи, если не указано иное в сноске к материалу. Если материал не включен в лицензию Creative Commons статьи, и предполагаемое использование не разрешено законом или превышает разрешенное использование, вам необходимо получить разрешение непосредственно от правообладателя. Чтобы просмотреть копию этой лицензии, посетите http://creativecommons.org/licenses/by/4.0/.

Перепечатки и разрешения

Об этой статье

Меню, И., Резенде, Г., Ле Станс, Л. и др. Сетевой анализ исполнительных функций до и после компьютерных когнитивных тренировок у детей и подростков. Sci Rep 12, 14660 (2022). https://doi.org/10.1038/s4159802217695x

Скачать цитату

Получить ссылку для совместного использования

К сожалению, ссылка для совместного использования в настоящее время недоступна для этой статьи.

Скопировать ссылку для совместного использования в буфер обмена.

Предоставлено инициативой Springer Nature SharedIt по обмену контентом.

На эту статью ссылаются

• Статистические доказательства в психологических сетях. Каролин Б. С. Хуф, Йонас М. Б. Хасльбек, Маартен Марсбэк. Nature Human Behaviour (2025).
• Улучшение счета и исполнительных функций у детей посредством их явной интеграции. Гайя Сцериф, Елена Сучевич, Виктория Симмс. npj Science of Learning (2025).
• Дети используют нейронные системы вознаграждения для творческой музыкальной импровизации. Карен Чан Барретт, Патпонг Джирадевджонг, Чарльз Дж. Лимб. Scientific Reports (2025).