Mecanismos de aprendizagem estatística de “Palavras” com probabilidade transacional alta e baixa em condições implícitas e explícitas: evidência comportamental e eletrofisiológica

Universidade do Minho Escola de Psicologia Maria da Silva Santos Mecanismos de Aprendizagem Estatística de “Palavras” com Probabilidade Transacional Alta e Baixa em Condições Implícitas e Explícitas: Evidência Comportamental e Eletrofisiológica junho de 2021 UMinho | 2021 Maria da Silva Santos Mecanismos de Aprendizagem Estatística de “Palavras” com Probabilidade Transacional Alta e Baixa em Condições Implícitas e Explícitas: Evidência Comportamental e Eletrofisiológica Maria da Silva Santos Mecanismos de Aprendizagem Estatística de “Palavras” com Probabilidade Transacional Alta e Baixa em Condições Implícitas e Explícitas: Evidência Comportamental e Eletrofisiológica Dissertação de Mestrado Mestrado Integrado em Psicologia Trabalho efetuado sob a orientação de Doutor Francisco Gutiérrez e Doutora Ana Paula Soares Universidade do Minho Escola de Psicologia junho de 2021 ii DIREITOS DE AUTOR E CONDIÇÕES DE UTILIZAÇÃO DO TRABALHO POR TERCEIROS Este é um trabalho académico que pode ser utilizado por terceiros desde que respeitadas as regras e boas práticas internacionalmente aceites, no que concerne aos direitos de autor e direitos conexos. Assim, o presente trabalho pode ser utilizado nos termos previstos na licença abaixo indicada. Caso o utilizador necessite de permissão para poder fazer um uso do trabalho em condições não previstas no licenciamento indicado, deverá contactar o autor, através do RepositóriUM da Universidade do Minho. Licença concedida aos utilizadores deste trabalho Atribuição CC BY https://creativecommons.org/licenses/by/4.0/ iii Agradecimentos Depois daquele que considero ter sido o ano mais difícil da minha vida, torna-se impossível finalizar esta etapa e não agradecer às pessoas que estiveram sempre ao meu lado e que acreditaram mais em mim e nas minhas capacidades do que eu própria. À Professora Ana Paula e ao Francisco pela dedicação e disponibilidade, por me terem acompanhado e guiado desde o primeiro dia deste projeto. À Helena e a todos os membros do Grupo de Investigação em Psicolinguística pelas sugestões e partilhas de ideias e conhecimento durante a realização desta dissertação. Aos que fizeram esta caminhada ao meu lado por tornarem estes cinco anos nos melhores que já vivi e por me terem dado as memórias que guardo no meu coração. À Laura pelos pequenos-almoços às 23h00, pelos puxões de orelhas, pela paciência e por me fazer acreditar que sou capaz. À Catarina, à Kika e à Diana, que mesmo estando longe, se fizeram sentir perto. À Bruna por ser a amiga de todas as horas e por estar cá há tanto tempo. À Dra. Cátia, que mesmo sem saber, me deu força para chegar ao fim. À minha família pelo amor incondicional, pelo apoio e por estarem presentes em todos os momentos. Ao meu avô, com a esperança de que esteja orgulhoso de mim. Aos meus pais por me terem proporcionado esta oportunidade. À minha mãe por ter lutado pelos meus sonhos como se fossem os seus, por me mostrar que nunca desistimos, pelos anos de sacrifício e por ser o meu maior exemplo. Este estudo integra-se no projeto “Correlatos neurodesenvolvimentais dos mecanismos implícitosexplícitos de aprendizagem em crianças com Perturbação Específica de Linguagem: Evidência com potenciais evocados cerebrais” (POCI-01-0145-FEDER-028212) financiado pela Fundação para a Ciência e Tecnologia e pelo Ministério da Ciência, Tecnologia e Ensino Superior, através de fundos nacionais, e co-financiado pelo FEDER, através do COMPETE2020, no âmbito do acordo Portugal 2020. iv DECLARAÇÃO DE INTEGRIDADE Declaro ter atuado com integridade na elaboração do presente trabalho académico e confirmo que não recorri à prática de plágio nem a qualquer forma de utilização indevida ou falsificação de informações ou resultados em nenhuma das etapas conducente à sua elaboração. Mais declaro que conheço e que respeitei o Código de Conduta Ética da Universidade do Minho. v Mecanismos de Aprendizagem Estatística de “Palavras” com Probabilidade Transacional Alta e Baixa em Condições Implícitas e Explícitas: Evidência Comportamental e Eletrofisiológica Resumo A capacidade para identificarmos palavras na cadeia acústica contínua da fala é uma das tarefas iniciais com que nos deparamos quando aprendemos uma língua. Acredita-se que processos associados à extração das regularidades estatísticas presentes nesse input , em particular a probabilidade de um segmento se seguir a outro, são fundamentais à identificação de palavras. Contudo, evidência acerca de como essa identificação é afetada pelas probabilidades transacionais (PT) dos estímulos do input e pelas condições em que estes são apresentados é escassa. Neste trabalho, recorremos ao paradigma de aprendizagem estatística (AE) apresentado sob condições implícitas e explícitas de aprendizagem para testarmos diferenças comportamentais e neurais na discriminação de “palavras” vs. distratores numa tarefa de escolha forçada entre duas alternativas (2-AFC). Nesta tarefa, oito “palavras”, quatro com PT alta (1.0) e as restantes com PT baixa (.50), foram apresentadas na fase de familiarização de cada tarefa e emparelhadas exaustivamente com oito distratores (PT = 0). Os resultados comportamentais e eletrofisiológicos obtidos mostraram que, embora houvesse evidência comportamental de aprendizagem estatística para os dois tipos de “palavras” nas duas condições de aprendizagem, efeitos do tipo de “palavras” e das condições em que estas foram apresentadas verificaram-se apenas nos dados eletrofisiológicos. Palavras-chave: 2-AFC, aprendizagem estatística; aprendizagem explícita, aprendizagem implícita, probabilidade transacional vi Statistical Learning Mechanisms for “Words” with High and Low Transactional Probability in Implicit and Explicit Conditions: Behavioral and Electrophysiological Evidence Abstract The ability to identify words in the continuous chain of speech is one of the first tasks we face when learning a language. It is believed that processes associated with the extraction of statistical regularities present in this input, in particular the probability of one segment following another, are fundamental to word identification. However, evidence on how this identification is affected by the transactional probabilities (TP) of the input’s stimuli and the conditions under which these are presented is scarce. In this study, we used the statistical learning (SL) paradigm presented under implicit and explicit learning conditions to test behavioral and neural differences in the discrimination of “words” vs. distractors in a two alternative forced choice task (2-AFC). In this task, eight “words”, four with high TP (1.0) and the remainder with low TP (.50), were presented in the familiarization phase of each task and exhaustively paired with eight distractors (PT = 0). The behavioral and electrophysiological data showed that, although there was behavioral evidence of statistical learning for the two types of "words" in the two learning conditions, effects of the type of “words” and the conditions in which they were presented were only shown in the electrophysiological data. Keywords: 2-AFC, explicit learning, implicit learning, statistical learning, transitional probability vii Índice Introdução .......................................................................................................................................... 8 Metodologia ...................................................................................................................................... 14 Participantes ................................................................................................................................ 14 Estímulos ..................................................................................................................................... 14 Procedimento ............................................................................................................................... 16 Recolha de Dados Eletrofisiológicos e seu Processamento ............................................................. 18 Análise Estatística dos Dados ........................................................................................................ 18 Resultados ....................................................................................................................................... 19 Resultados Comportamentais ....................................................................................................... 19 Resultados Eletrofisiológicos ......................................................................................................... 21 Discussão......................................................................................................................................... 23 Referências ...................................................................................................................................... 28 Anexos ............................................................................................................................................. 32 Anexo A – Parecer da Subcomissão de Ética para as Ciências Sociais e Humanas......................... 32 Lista de Tabelas Tabela 1. “Palavras” e distratores dos silabários A e B ...................................................................... 15 Lista de Figuras Figura 1. Procedimento experimental ................................................................................................ 17 Figura 2. Percentagem de escolhas corretas (% acerto) para as “palavras” de PT alta e baixa nas tarefas 2-AFC realizadas em condições implícitas e explícitas de aprendizagem ............................................ 20 Figura 3. Tempos médios (ms) das respostas corretas para as “palavras” de PT alta e PT baixa nas tarefas 2-AFC realizadas em condições implícita e explícita de aprendizagem .................................... 20 Figura 4. Efeitos da PT em P2 (170 - 210 ms) .................................................................................. 21 Figura 5. Efeito de interação tripla tarefa x tipo de estímulo x correção de resposta na janela temporal 350 - 450 ms ................................................................................................................................... 22 Figura 6. Efeito da tarefa e interação tarefa x tipo de estímulo na janela temporal de 650 - 850 ms ... 23 14 unicamente às regularidades estatísticas no processo de segmentação do contínuo acústico. Adicionalmente, é expectável que “palavras” com PTs altas vs. PTs baixas deverão elicitar maiores amplitudes no componente N400, bem como em janelas temporais mais tardias, especialmente na tarefa de 2-AFC realizada sob condições explícitas. Por fim, dado que, tanto quanto sabemos, este é um estudo pioneiro no que remete para a manipulação destes fatores, deixamos a possibilidade de outras janelas temporais se mostrarem afetadas. Metodologia Participantes O presente estudo integrou uma amostra composta por 32 estudantes (25 mulheres, M = 23.4, DP = 5.66) da Universidade do Minho. Os participantes foram recrutados através da plataforma de creditação de experiências da Escola de Psicologia da Universidade do Minho e receberam créditos pela sua colaboração neste estudo. Todos os participantes apresentavam o português europeu (PE) como língua materna, audição normal, visão normal ou corrigida e não tinham qualquer historial de problemas neurológicos ou de linguagem. Vinte e nove participantes eram destros e três canhotos, tal como avaliado pelo Inventário de Lateralidade de Edimburgo (Oldfield, 1971). Foram obtidos consentimentos informados por parte de todos os participantes. Este procedimento experimental foi aprovado pela Comissão de Ética da Universidade do Minho (SECSH 028/2018). Estímulos Para a criação das “palavras” usadas nas tarefas implícita e explícita deste estudo, foram criados dois silabários (A e B), cada um constituído por 16 sílabas distintas com estrutura CV (e.g., “tu”, “ci”, “da”, “mi”, “ge”, “do” do silabário A; “ga”, “pa”, “be”, “me”, “gu”, “pi” do silabário B). Estas sílabas foram gravadas por um falante nativo do PE, apresentando uma duração de 300ms cada. A partir de cada silabário, foram concatenadas oito “palavras” trissilábicas com uma duração de 900ms cada: quatro com PT alta (PT = 1.0) e quatro com PT baixa (PT = .50), através da versão 2.3.3 do software Audacity® 1 , tal como apresentado na Tabela 1. As oito “palavras” foram apresentadas durante a fase de familiarização num contínuo acústico com duração de, aproximadamente, sete minutos sem qualquer pausa entre “palavras”. As “palavras” foram apresentadas de forma aleatória com a restrição de a mesma “palavra” ou a mesma sílaba não poderem ocorrer de forma consecutiva no contínuo acústico. 1 Audacity® software is copyright © 1999-2019 Audacity Team. Web site: https://audacityteam.org/. It is free software distributed under the terms of the GNU General Public License. The name Audacity® is a registered trademark of Dominic Mazzoni. 15 Cada “palavra” foi apresentada 60 vezes, em dois blocos (1 e 2) de 30 repetições cada. A experiência foi programada com recurso ao software Psychopy (Peirce, 2007). Sobre o contínuo acústico foi apresentado um som artificial (i.e., um click com duração de 0.1s). A inclusão deste som teve o propósito de assegurar que os participantes mantivessem a sua atenção no input apresentado durante a fase de familiarização, uma vez que lhes foi pedido para clicarem numa tecla (barra de espaços) do teclado do computador assim que o detetassem. Este som ocorreu em “palavras” e sílabas diferentes (em intervalos entre 2 e 10s) de forma a evitar que pudesse ser usado como pista adicional para a segmentação das “palavras”. Para a fase de teste, foram criados oito distratores para cada silabário. Estes distratores foram construídos a partir das sílabas usadas para a formação das “palavras” de alta e baixa PT em cada silabário (ver Tabela 1). Contudo, as sílabas usadas para a criação destes distratores nunca foram apresentadas em conjunto durante a fase de familiarização (PT = 0), controlando-se, em todo o caso, a frequência de ocorrência das sílabas e a sua posição no seio das “palavras” (i.e., inicial, média e final). Tabela 1 “Palavras” e distratores dos silabários A e B Tipo de estímulo Silabário A B “Palavras” PT alta tucida todidu bupepo cegita modego gapabe bibaca bomaco PT baixa dotige pitegu tidomi tepime migedo megupi gemiti gumete Disctratores PT alta tumica tomeco bugego cegube modopo gapita bitida botedu PT baixa dobage pimagu tidemi tepame mipedo megipi geciti gudite 16 Nota. Adaptado de Soares et al. (2020). Para cada silabário foram criadas quatro listas de estímulos de modo a contrabalancear as sílabas entre tipos de “palavra” (PT alta e PT baixa) e posição silábica (inicial, média e final). Os participantes foram distribuídos de forma aleatória por cada uma dessas listas. Procedimento A sessão de recolha de dados iniciou-se após o preenchimento do consentimento informado por parte dos participantes. Foi-lhes, então, solicitado que realizassem duas tarefas de AE: primeiramente, uma de natureza implícita e, posteriormente, uma de natureza explícita. As tarefas implícita e explícita foram em tudo iguais, exceto no tipo de instruções fornecidas aos participantes antes da fase de familiarização e no silabário usado. Cada uma das tarefas compreendeu, como é standard no paradigma de AE, uma fase de familiarização, onde foi solicitado aos participantes que prestassem atenção aos estímulos auditivos apresentados através de auscultadores, dado que, ocasionalmente, apareceria um som, que deveriam detetar do modo mais rápido e preciso que conseguissem. Para tal, os participantes foram instruídos a pressionar a barra de espaços do teclado do computador. Na tarefa implícita, os participantes foram expostos aos estímulos sem receber qualquer tipo de informação acerca dos mesmos, a não ser que iriam ouvir sequências de sílabas e que deveriam prestar muita atenção às mesmas. Na tarefa explícita, os participantes receberam informações acerca dos estímulos antes da apresentação dos mesmos. Especificamente, nesta versão da tarefa, os participantes foram informados de que iriam ouvir sequências de sílabas de uma outra língua desconhecida e que, nessa língua, tal como na anterior, as “palavras” eram trissílabos. De seguida, cada uma das oito novas “palavras” foi apresentada de forma individual e pediu-se aos participantes para repetirem cada uma delas corretamente antes de avançarem para a “palavra” seguinte. Terminado este processo, os participantes foram expostos ao contínuo acústico formado por essas mesmas “palavras” e foi-lhes solicitado que detetassem um som ( click ) que ocorreria ocasionalmente, tal como na versão implícita da tarefa. A fase de teste foi igual nas versões implícita e explícita, exceto no que concerne aos estímulos usados. Nesta fase, os participantes foram informados que as sequências de sílabas que tinham ouvido anteriormente correspondiam a “palavras” numa língua estrangeira e que deveriam decidir qual dos elementos apresentados em cada um dos pares de estímulos correspondia a uma “palavra” ouvida durante a fase de familiarização. Para realizarem esta escolha, os participantes foram instruídos a clicar nas teclas ‘z’ e ‘m’ do teclado do computador de acordo com o facto de considerarem que a resposta 17 correta foi o primeiro ou o segundo som ouvido, respetivamente. Esta fase incluiu para cada uma das tarefas (implícita e explícita) 64 ensaios, nos quais as oito “palavras” (quatro de PT alta e quatro de PT baixa), foram emparelhadas, de forma exaustiva, com os oito distratores. Os 64 ensaios foram apesentados de forma aleatória a cada um dos participantes, de modo a controlar possíveis efeitos de ordem. Em metade dos ensaios, a resposta correta correspondia ao primeiro som ouvido, enquanto que nos restantes, correspondia ao segundo som. Cada ensaio começou com a apresentação de um ponto de fixação que teve uma duração de 1,000ms, ao qual se sucedeu a apresentação do primeiro estímulo (i.e., “palavra” ou distrator). Decorridos 500ms após a apresentação do primeiro estímulo, foi apresentado o segundo (i.e., “palavra” ou distrator). Após a emissão de uma resposta (ou decorridos 10s), iniciava-se o ensaio seguinte. A Figura 1 integra uma representação esquemática do procedimento adotado. A recolha de dados teve uma duração aproximada de 90 minutos por participante e ocorreu numa cabine insonorizada no Laboratório de Neurociência Psicológica da Escola de Psicologia da Universidade do Minho. Figura 1 Procedimento experimental Nota. Adaptado de Soares et al. (2020). Instruções Fase de Familiarização Fase de Teste Intervalo tu ci da do ti ge mi ge do pi te gu ga pa be te pi me “Ouça com atenção os estímulos e pressione a barra de espaços sempre que ouvir este som.” “Agora vai ouvir uma nova língua. Esta língua contém oito “palavras” com três sílabas cada uma, por exemplo /pitegu/ . Pode repetir? Outra palavra é /tepime/ . Pode repetir? (…) Ouça com atenção os estímulos e pressione a barra de espaços sempre que ouvir este som.” PT alta PT baixa PT baixa PT baixa PT alta PT baixa tucida ou timica ? distrator PT alta “palavra” PT alta cegube ou pitegu ? distrator PT alta “palavra” PT baixa Tarefa Implícita Tarefa Explícita 18 Recolha de Dados Eletrofisiológicos e seu Processamento Os dados do eletroencefalograma (EEG) foram recolhidos de forma contínua. Para tal foi usado um conjunto de 64 elétrodos dispostos de acordo com o sistema internacional 10-20 (BioSemi ActiveTwo system; BioSemi, Amsterdam, The Netherlands). Os dados foram digitalizados a uma taxa de amostragem de 512 Hz e a impedância dos elétrodos foi mantida abaixo de 20 kΩ. O EEG foi rereferenciado off-line para a média algébrica das mastoides. Os dados foram filtrados na banda de 0.1 a 30 Hz ( zero phase shift Butterworth ) e com um filtro notch de 50 Hz. Posteriormente, os dados foram submetidos a análises de componentes independentes (ICA), de forma a remover o ruído estereotipado (oriundo principalmente de movimentos oculares e pestanejares), através da subtração dos componentes correspondentes. O EEG contínuo foi segmentado em segmentos de 1200ms, tomando 0 como o início da apresentação dos estímulos (correção de linha de base de -200 a 0ms). Os segmentos com artefactos (i.e., com amplitudes superiores a ±100 µV) foram excluídos das análises. As médias dos ERPs foram calculadas com base na média de cada participante. O processamento dos dados de EEG foi realizado com recurso ao software Brain Vision Analyzer, versão 2.1.1. ( BrainVision Analyzer, Brain Products GmbH, Gilching , Alemanha). Análise Estatística dos Dados A análise dos dados comportamentais e eletrofisiológicos obtidas das tarefas de 2-AFC foi realizada no software estatístico IBM-SPSS® ( Version 21.0. Armonk , NY: IBM Corporation ). Para cada uma das tarefas, calculou-se a percentagem (%) média de respostas corretas por condição experimental. De seguida, realizaram-se testest de uma amostra contra o nível do acaso para determinar se houve aprendizagem em cada uma das tarefas para cada tipo de “palavra” (de notar que um desempenho de 100% para cada tipo de palavra em cada uma das tarefas corresponde a 16 respostas corretas e que um desempenho ao nível do acaso corresponde a 8 respostas corretas). Calcularam-se também os tempos de reação (TR) médios de cada participante por condição experimental para as respostas corretas. Por fim, realizou-se uma análise de variância (ANOVA) de medidas repetidas aos dados comportamentais (i.e., % respostas corretas e TR), considerando como fatores intra-sujeito a versão da tarefa de AE (2: implícita vs. explícita) e o tipo de “palavra” (2: PT alta vs. PT baixa). Conduziu-se também uma análise ANOVA de medidas repetidas aos dados eletrofisiológicos obtidos em cada uma das tarefas 2-AFC. Consideraram-se como fatores intra-sujeito a versão da tarefa de AE (2: implícita vs. explícita), o tipo de estímulo (2: “palavra” vs. distrator), a PT do estímulo (2: PT alta vs. PT baixa) e, ainda, a correção da resposta dada pelos participantes (2: acerto vs. erro). De notar 19 que nesta análise optámos por incluir a correção da resposta dada pelos participantes como um fator, para permitir uma comparação direta das respostas neurais elicitadas perante a apresentação de “palavras” e distratores quando estas corresponderam a acertos e a erros. Com base na literatura anterior e na inspeção visual dos dados, foram calculadas as amplitudes médias para as janelas temporais 170-210ms (P200), 350-450ms (N400) e 650-850ms ( Late Negative Component , LNC). A distribuição topográfica dos componentes de interesse foi analisada desde regiões frontais a centrais, em torno da linha média. Em cada uma das janelas temporais foram analisadas três regiões ( Regions of Interest , ROIs), cada uma com nove elétrodos: região frontal (AF3, AFz, AF4, F1, Fz, F2, FC1, FCz, FC2), região fronto-central (F1, Fz, F2, FC1, FCz, FC2, C1, Cz, C2) e região central (FC1, FCz, FC2, C1, Cz, C2, CP1, CPz, CP2). Em cada janela foi selecionada a ROI que melhor se ajustava ao componente analisado. Tanto para os dados comportamentais como para os eletrofisiológicos, apenas os efeitos principais ou de interação que atingiram significado estatístico (α < .05) foram reportados. Nas comparações múltiplas dos testes posthoc foi usada a correção de Bonferroni. Efeitos de tamanho do efeito (Eta ao quadrado parcial, ηp2) e do poder observado ( pw ) para um dado efeito foram usados em combinação. A esfericidade dos dados (teste Mauchly) foi cumprida (χ² < .0001 em todos os casos) pelo que não foi necessário usar nenhuma correção. Resultados Resultados Comportamentais A Figura 2 apresenta a percentagem média de respostas corretas (i.e., precisão da resposta) nas tarefas de 2-AFC realizadas sob condições implícita e explícita e para as “palavras” de PT alta e PT baixa em cada uma delas. Os resultados dos testest de uma amostra contra o nível do acaso (50%) mostraram que, na tarefa implícita, o desempenho para as “palavras” de PT alta foi de 57.1% ( DP = 14.66) e para as “palavras” de PT baixa de 56.8% ( DP = 13.94), ambas diferindo significativamente do acaso, t PT alta(30) = 2.714, p = .011, t PT baixa(30) = 2.718, p = .011. Na tarefa explícita, o desempenho para as “palavras” de PT alta foi de 60.1% ( DP = 15.15) e para as “palavras” de PT baixa de 63.0% ( DP = 9.23), ambas diferindo também do que seria esperado face ao acaso, t PT alta(30) = 3.704, p = .001, t PT baixa (30) = 7.826, p < .001. Contudo, os resultados obtidos com a ANOVA não revelaram quaisquer efeitos estatisticamente significativos. O único efeito que se aproximou da significância foi a versão da tarefa de AE, F (1, 30) = 3.495, p = .071, ηp² = .100, indicando que os participantes tenderam a mostrar um melhor desempenho 20 na tarefa de 2-AFC realizada sob condições explícitas ( M = 61.5%, DP = 9.55) do que na 2-AFC realizada sob condições implícitas ( M = 57.0%, DP = 9.66). Figura 2 Percentagem de escolhas corretas (% acerto) para as “palavras” de PT alta e baixa nas tarefas 2-AFC realizadas em condições implícitas e explícitas de aprendizagem Nota. As barras representam o erro padrão da média (EPM). A Figura 3 apresenta os tempos médios (ms) para as respostas corretas nas tarefas 2-AFC realizadas sob condições implícita e explícita por tipo de “palavra”. Figura 3 Tempos médios (ms) das respostas corretas para as “palavras” de PT alta e PT baixa nas tarefas 2-AFC realizadas em condições implícita e explícita de aprendizagem Nota. As barras representam o erro padrão da média (EPM). 21 Embora os participantes tenham demorado mais tempo a responder às “palavras” de PT alta ( M = 1,025.9, DP = 561.93) e de PT baixa ( M = 1,076.7, DP = 536.74) na tarefa AE realizada sob condições implícitas do que explícitas ( M PT alta = 951.0, DP = 488.64; M PT baixa = 978.6, DP = 499.05), a ANOVA não revelou quaisquer efeitos estatisticamente significativos ( ps > .249). Resultados Eletrofisiológicos P200 (170-210ms) Na região frontal, a ANOVA revelou um efeito estatisticamente significativo no fator PT do estímulo, F (1,27) = 8.081, p = .008, ηp2 = .230, mostrando que os estímulos com PT alta ( M = 1.282 µV) elicitaram uma maior amplitude do que os estímulos com PT baixa ( M = .400 µV) (ver Figura 4). Figura 4 Efeitos da PT em P2 (170-210ms) Nota. ERP da condição de PT alta (vermelho) e da condição de PT baixa (azul). N400 (350-450ms) Na ROI central, a ANOVA revelou um efeito de interação entre os fatores tarefa de AE x tipo de estímulo x correção da resposta, F (1,27) = 4.804, p = .037, ηp2 = .151. A análise dos contrastes posthoc revelou diferenças significativas em função da tarefa de AE, de forma que, quando o estímulo era um distrator e o participante errou na resposta (i.e., escolheu o distrator como “palavra”), a tarefa implícita elicitou uma maior amplitude do que a tarefa explícita ( p = .034). Verificaram-se também diferenças significativas em função do tipo de resposta na condição implícita e quando o estímulo era um distrator, observando-se uma maior amplitude para as respostas erradas quando comparadas com as respostas corretas ( p = .004). No fator tipo de estímulo, os distratores elicitaram uma maior amplitude 22 do que as “palavras” na condição implícita e quando as respostas correspondiam a erros ( p = .008) (ver Figura 5). Figura 5 Efeito de interação tripla tarefa x tipo de estímulo x correção de resposta na janela temporal 350-450ms Nota. Linha preta: condição implícita, distrator, erro; Linha azul: implícita, distrator, correto; Linha vermelha: implícita, "palavra", erro; Linha verde: explícita, distrator, erro. LNC (650-850ms) Na ROI frontal, a ANOVA revelou um efeito principal do fator tarefa de AE, F (1,27) = 6.950, p = .014, ηp2 = .205, indicando uma maior amplitude na tarefa implícita ( M = 7.646 µV) quando comparada com a tarefa explícita ( M = 6.262 µV). Adicionalmente, a interação entre os fatores tarefa de AE x tipo de estímulo também atingiu o significado estatístico, F (1,27) = 5.077, p = .033, ηp2 = .158. Face ao fator estímulo, obtiveram-se diferenças significativas para os distratores, observando-se uma maior amplitude na tarefa implícita quando comparada com a tarefa explícita ( p = .006) (ver Figura 6). 23 Figura 6 Efeito da tarefa e interação tarefa x tipo de estímulo na janela temporal de 650-850ms Nota. Verde escuro, linha contínua: "palavras" na tarefa implícita; Verde escuro, linha pontilhada: distratores na tarefa implícita; Verde claro, linha contínua: "palavras" na tarefa explícita; Verde claro, linha descontínua: distratores na tarefa explícita. Discussão O presente estudo teve como objetivo analisar os correlatos eletrofisiológicos da AE numa tarefa de 2-AFC realizada após a fase de exposição a um contínuo auditivo constituído pela repetição pseudoaleatória de oito “palavras” trissilábicas sem sentido onde as PT das “palavras” a aprender (“palavras” com PT alta vs. baixa) e as condições em que estas foram aprendidas (implícita vs. explícita) foram manipuladas. De forma a reduzir o efeito de possíveis diferenças individuais sobre os resultados, foi utilizado um design intra-sujeito. O uso de medidas eletrofisiológicas (ERPs), a par das medidas comportamentais de precisão e de TR, procurou contribuir para compreendermos de forma mais aprofundada os processos e mecanismos que subjazem à emissão de uma resposta na tarefa de 2-AFC. Tarefa esta que éamplamente usada para testar AE, mas também cada vez mais criticada. Os resultados das análises comportamentais e neurais conduzidas são claros e revelaram que (i) os participantes mostraram um nível moderado de AE tanto na tarefa implícita como na explícita, ainda que o desempenho comportamental não tenha sido modulado nem pelas PTs das “palavras”, nem pelas condições em que estas foram aprendidas; (ii) os estímulos (i.e., “palavras” e distratores) de PT alta elicitaram amplitudes maiores no componente P200 do que os estímulos de PT baixa, independentemente do tipo de resposta; (iii) no componente N400, os resultados revelaram uma maior amplitude causada pelos distratores identificados como “palavras” na condição implícita de aprendizagem, em comparação com a condição explícita; (iv) o efeito das condições de aprendizagem 30 Lu, S., Vigário, M., Correia, S., Jerónimo, R., & Frota, S. (2018). Revisiting stress “deafness” in european portuguese – A behavioral and ERP study. Frontiers in Psychology , 9 , 2486. https://doi.org/10.3389/fpsyg.2018.02486 Mantegna, F., Hintz, F., Ostarek, M., Alday, P. M., & Huettig, F. (2019). Distinguishing integration and prediction accounts of ERP N400 modulations in language processing through experimental design. Neuropsychologia , 134 , 107199. https://doi.org/10.1016/j.neuropsychologia.2019.107199 Passow, S., Westerhausen, R., Hugdahl, K., Wartenburger, I., & Heekeren, H. R. (2014). Electrophysiological correlates of adult age differences in attentional control of auditory processing. Cerebral Cortex , 24 (1), 249–260. https://doi.org/10.1093/cercor/bhs306 Perruchet, P., & Pacton, S. (2006). Implicit learning and statistical learning: One phenomenon, two approaches. Trends in Cognitive Sciences , 10 (5), 233–238. https://doi.org/10.1016/j.tics.2006.03.006 Raviv, L., & Arnon, I. (2018). The developmental trajectory of children’s auditory and visual statistical learning abilities: Modality-based differences in the effect of age. Developmental Science , 21 (4), e12593. https://doi.org/10.1111/desc.12593 Reber, A. S. (1967). Implicit learning of artificial grammars. Journal of Verbal Learning and Verbal Behavior , 6 (6), 855–863. https://doi.org/10.1016/S0022-5371(67)80149-X Reber, A. S. (1976). Implicit learning of synthetic languages: The role of instructional set. Journal of Experimental Psychology: Human Learning and Memory , 2 (1), 88–94. https://doi.org/10.1037/0278-7393.2.1.88 Reber, A. S. (1989). Implicit learning and tacit knowledge. Journal of Experimental Psychology: General , 118 (3), 219–235. https://doi.org/10.1037/0096-3445.118.3.219 Romberg, A. R., & Saffran, J. R. (2010). Statistical learning and language acquisition. Wiley Interdisciplinary Reviews: Cognitive Science , 1 (6), 906–914. https://doi.org/10.1002/wcs.78 Saffran, J. R., Aslin, R. N., & Newport, E. L. (1996). Statistical learning by 8-month-old infants. Science , 274 (5294), 1926–1928. https://doi.org/10.1126/science.274.5294.1926 Saffran, J. R., Johnson, E. K., Aslin, R. N., & Newport, E. L. (1999). Statistical learning of tone sequences by human infants and adults. Cognition , 70 (1), 27–52. https://doi.org/10.1016/S0010-0277(98)00075-4 Saffran, J. R., Newport, E. L., & Aslin, R. N. (1996). Word segmentation: The role of distributional cues. Journal of Memory and Language , 35 (4), 606–621. https://doi.org/10.1006/jmla.1996.0032 Saffran, J. R., Newport, E. L., Aslin, R. N., Tunick, R. A., Barrueco, S., Saffran, J. R., Newport, E. L., Aslin, R. N., Tunick, R. A., & Barrueco, S. (1997). Incidental language learning: Listening (and learning) out of the corner of your ear. Psychological Science , 8 (2), 101–105. https://doi.org/10.1111/j.1467-9280.1997.tb00690.x Sanders, L. D., & Neville, H. J. (2003a). An ERP study of continuous speech processing: I. Segmentation, semantics, and syntax in native speakers. Cognitive Brain Research , 15 (3), 228– 240. https://doi.org/10.1016/s0926-6410(02)00195-7 Sanders, L. D., & Neville, H. J. (2003b). An ERP study of continuous speech processing: II. 31 Segmentation, semantics, and syntax in non-native speakers. Cognitive Brain Research , 15 (3), 214–227. https://doi.org/10.1016/S0926-6410(02)00194-5 Sanders, L. D., Newport, E. L., & Neville, H. J. (2002). Segmenting nonsense: An event-related potential index of perceived onsets in continuous speech. Nature Neuroscience , 5 (7), 700–703. https://doi.org/10.1038/nn873 Siegelman, N., Bogaerts, L., Christiansen, M. H., & Frost, R. (2017). Towards a theory of individual differences in statistical learning. Philosophical Transactions of the Royal Society B: Biological Sciences , 372 (1711), 20160059. https://doi.org/10.1098/rstb.2016.0059 Siegelman, N., Bogaerts, L., & Frost, R. (2017). Measuring individual differences in statistical learning: Current pitfalls and possible solutions. Behavior Research Methods , 49 (2), 418–432. https://doi.org/10.3758/s13428-016-0719-z Siegelman, N., Bogaerts, L., Kronenfeld, O., & Frost, R. (2017). Redefining “learning” in statistical learning: What does an online measure reveal about the assimilation of visual regularities?. Cognitive Science , 42 (3), 692–727. https://doi.org/10.1111/cogs.12556 Soares, A. P., Gutiérrez-Domínguez, F. J., Vasconcelos, M., Oliveira, H. M., Tomé, D., & Jiménez, L. (2020). Not all words are equally acquired: Transitional probabilities and instructions affect the electrophysiological correlates of statistical learning. Frontiers in Human Neuroscience , 14 , 387. https://doi.org/10.3389/fnhum.2020.577991 Tillmann, B., & McAdams, S. (2004). Implicit learning of musical timbre sequences: Statistical regularities confronted with acoustical (dis)similarities. Journal of Experimental Psychology: Learning Memory and Cognition , 30 (5), 1131–1142. https://doi.org/10.1037/02787393.30.5.1131 Toro, J. M., Sinnett, S., & Soto-Faraco, S. (2005). Speech segmentation by statistical learning depends on attention. Cognition , 97 (2), 25–34. https://doi.org/10.1016/j.cognition.2005.01.006 Tremblay, K. L., Ross, B., Inoue, K., Mcclannahan, K., & Collet, G. (2014). Is the auditory evoked P2 response a biomarker of learning?. Frontiers in Systems Neuroscience , 8 , 28. https://doi.org/10.3389/fnsys.2014.00028 Turk-Browne, N. B., Jungé, J. A., & Scholl, B. J. (2005). The automaticity of visual statistical learning. Journal of Experimental Psychology: General , 134 (4), 552–564. https://doi.org/10.1037/00963445.134.4.552 Wlotko, E. W., & Federmeier, K. D. (2007). Finding the right word: Hemispheric asymmetries in the use of sentence context information. Neuropsychologia , 45 (13), 3001–3014. https://doi.org/10.1016/j.neuropsychologia.2007.05.013 Zachau, S., Rinker, T., Bianca, K., Kohls, G., Maas, V., Hennighausen, K., & Schecker, M. (2005). Extracting rules: Early and late mismatch negativity to tone patterns. NeuroReport: For Rapid Communication of Neuroscience Research , 16 (18), 2015–2019. https://doi.org/10.1097/00001756-200512190-00009 32 Anexos Anexo A – Parecer da Subcomissão de Ética para as Ciências Sociais e Humanas