Pilotní RCT u mladých, kteří koktají: živá VR s fotorealistickým avatarem je přijata a vyvolá vzrušení; jedna relace nepřekoná roli logopeda

Pozadí

Koktavost u dětí školního věku a dospívajících je často doprovázena sociální úzkostí. Iverach et al. (2016) zjistili, že děti, které koktají, mají přibližně šestkrát vyšší pravděpodobnost než vrstevníci bez koktavosti, že si vyvinou poruchu sociální úzkosti, přičemž tato úzkost v průběhu dospívání narůstá. KBT s postupnou expozicí je účinná při snižování sociální úzkosti u dospělých, kteří koktají, avšak jen málo empirických intervencí se specificky zaměřilo na úzkost u mladých lidí, kteří koktají.

Expozice tradičně spočívá na reálných zkušenostech in vivo nebo na nácviku rolí v ordinaci s klinikem. Obě mají svá omezení: expozice in vivo je logisticky náročná a terapeut má nad situací malou kontrolu, zatímco nácvik rolí je omezen tím, že účastníci vědí, že klinik je důvěrně známá a bezpečná osoba, nikoli cizinec. Virtuální realita byla navržena jako kontrolovatelná střední cesta, avšak většina dosavadního výzkumu VR u koktavosti využívala skupinové nebo audienční scénáře (Brundage et al. 2006, 2016; Brundage & Hancock 2015; Moise-Richard et al. 2021) spíše než přirozený rozhovor jeden na jednoho tváří v tvář a spoléhala se na předem skriptované nebo statické chování avatarů místo dynamických reakcí v reálném čase.

Delangle a kolegové (stejný výzkumný tým jako Moise-Richard et al. 2021) si dali za cíl vyplnit dvě mezery: absenci fyziologických měr v předchozí práci týmu s virtuální třídou a absenci VR scénáře tváří v tvář v reálném čase, který by simuloval přirozenou, vzájemnou dynamiku každodenní konverzace.

Co výzkumníci udělali

Třináct dětí a dospívajících, kteří koktají, bylo rekrutováno z Rehabilitačního centra Marie Enfant (CHU Sainte-Justine), Institutu Raymonda Dewara a soukromých logopedických klinik v Montrealu v Quebecu. Jeden dospívající byl vyloučen kvůli předchozí podobné VR expozici při natáčení televizního pořadu, čímž v analýze zůstalo dvanáct účastníků (6 dívek; věk 9-18 let, M=13,1, SD=3,0). Všichni byli profesionálně diagnostikováni jako osoby, které koktají, certifikovaným logopedem, aktuálně absolvovali terapeutickou léčbu a dokončili nejméně tři sezení se svým vlastním terapeutem. Náhodné přidělení generátorem náhodných čísel vytvořilo dvě vyvážené skupiny (n=6 na rameno). Výchozí měření sociální úzkosti (LSAS-CA) a sebedůvěry při veřejném projevu (PRCS krátká forma) nevykázala signifikantní rozdíly mezi skupinami.

VR systém. Fotorealistický virtuální učitel byl vytvořen pomocí MetaHuman a vykreslen na náhlavní soupravě Meta Quest 2 v Unreal Engine 5.03. Z přilehlé místnosti logoped řídil avatar v reálném čase: iPhone 11 s aplikací Live Link Face zachycoval pohyby rtů, úst, očí, obočí a hlavy terapeuta a streamoval je do avatara; Clownfish Voice Changer aplikoval konstantní efekt mužského hlasu (logopedky byly převážně ženy a mužský avatar ve věku přibližně 40-50 let byl zvolen s cílem omezit možnost rozpoznání). Logoped viděl přímý přenos pohledu účastníka na laptopu, což umožňovalo dynamickou verbální i neverbální odezvu. Jemná animace těla avatara (mírné houpání, neutrální pohyb paží) byla generována pomocí Adobe Mixamo, aby se zabránilo nepřirozenému statickému dojmu. Prostředí virtuální třídy a experimentální místnost využívaly shodnou geometrii lavice, aby se zvýšil pocit ztotožnění.

Postup. Každý účastník absolvoval dvě sezení přibližně dva týdny od sebe (M=12 dní, SD=11,3, rozsah 3-42). Každé sezení mělo tři fáze:

1. Výchozí stav - 3minutový rozhovor s neznámým členem výzkumného týmu (odlišným od logopeda i hereckého učitele) na neutrální témata (koníčky, hudba, cestování) pro zachycení vzrušení spojeného s mluvením.
2. Příprava řeči - 3minutová diskuse se stejným členem týmu o možných úpravách výuky ve třídě v souvislosti s koktavostí účastníka.
3. Konverzační úloha - 5minutový rozhovor (M=4,7 min, SD=1,6) s “učitelem”, v němž účastník sdělil svou koktavost a vyjednal úpravy výuky. Učitel zavedl tři kategorie úzkost vyvolávajících podnětů, přičemž každá byla prezentována nejméně jednou: zamračení, zívání a skriptované nepříjemné fráze (“To není fér vůči ostatním studentům”, “Proč bych měl/a pro tebe dělat zvláštní úpravy?”). Logopedé byli vycvičeni, aby mezi podněty čekali nejméně 20 sekund a neprezentovali dva podněty současně.

V sezení 1 byla konverzační úloha experimentální skupiny in virtuo (vlastní logoped řídil avatar z přilehlé místnosti); pro kontrolní skupinu šlo o nácvik rolí in-person s logopedem. V sezení 2 (in vivo pro obě skupiny) byla konverzační úloha s neznámým hereckým učitelem.

Míry.

• Přijatelnost a přítomnost (Cíl 1): ITC-SOPI (44 položek v subškálách Prostorová přítomnost, Zapojení, Ekologická validita, Negativní účinky) a tailor-made dotazník Interakce s avatary (IWA).
• Fyziologická úzkost (Cíle 2 a 3): elektrodermální aktivita (hladina vodivosti kůže SCL, kožní vodivostní reakce SCR) a elektrokardiogram (srdeční frekvence SF, variabilita srdeční frekvence prostřednictvím RMSSD) zaznamenávané systémem Biopac MP36R a zpracované v AcqKnowledge a NeuroKit2. Fyziologické míry byly vyjádřeny jako změna od výchozího stavu každého sezení, aby se zohlednily přirozené každodenní výkyvy.
• Subjektivně hlášená úzkost (Cíle 2 a 3): modifikovaná škála SUDS (0-10) podávaná po výchozím stavu, po přípravě řeči a retrospektivně po rozhovoru (pro začátek a konec rozhovoru zvlášť).
• Sebeuplatnění (Cíl 3): tailor-made 14položkový dotazník (1 = “Vůbec si nejsem jistý/á” po 5 = “Jsem si velmi jistý/á”) upravený podle Bray et al. 2003 / Manning 1994 (Bandurův rámec sociálně-kognitivní teorie). Cronbachovo alfa = 0,87.

Statistická analýza. Z důvodu malého vzorku autoři použili parametrické (kontinuální fyziologická data) a neparametrické (ordinální data z dotazníků) bootstrapové převzorkování s 10 000 iteracemi v IBM SPSS Statistics 29 a Pythonu. Statistická signifikance byla odvozena z 95% intervalů spolehlivosti (nepřekrývání s nulovým výchozím stavem nebo s intervalem druhé skupiny) a bootstrapových p-hodnot. Velikosti efektů (Cohenovo d, Pearsonovo r) byly uváděny vedle. Nebyly aplikovány žádné korekce pro vícečetná srovnání, protože bootstrapové převzorkování poskytuje empirické odhady signifikance bez parametrických předpokladů.

Co zjistili

Cíl 1 - přijatelnost a přítomnost. Subškály ITC-SOPI indikovaly dobrou přítomnost: Prostorová přítomnost M=3,60 (SD=0,70), Zapojení M=3,87 (SD=0,78), Ekologická validita M=3,27 (SD=1,53; jeden účastník tuto subškálu ohodnotil 1/5, čímž přispěl k vyšší SD), Negativní účinky M=1,58 (SD=0,60). Na IWA účastníci měli pocit, že mluví se skutečnou osobou (M=8,43/10), NEMĚLI pocit, že mluví se svým logopedem (M=2,86/10; nižší skóre znamená, že ztotožnění logopeda s avatarem bylo úspěšně skryto), nacvičované scénáře považovali za relevantní (M=9,29/10) a silně si přáli přístup k nástroji pro nácvik stresových situací (M=9,57/10). Dva nejstarší účastníci (16 a 18 let) dali nejvyšší skóre “měl/a jsem pocit, že mluvím se svým logopedem” (10 a 8), přičemž rozpoznali prozódii a intonaci svého logopeda spíše než modulovaný hlas. Otevřené odpovědi ukázaly, že účastníci si přáli s nástrojem cvičit častěji (každodenně až dvakrát týdně před reálnými prezentacemi) a jako žádaný budoucí scénář identifikovali ústní prezentaci před virtuální třídou. Dva účastníci ve stejný den hlásili zpoždění mezi hlasem a pohybem rtů v důsledku slabého Wi-Fi připojení.

Cíl 2 - fyziologické a subjektivní úzkostné reakce. SCL experimentální skupiny s VR bylo signifikantně zvýšeno oproti výchozímu stavu v průběhu přípravy řeči i rozhovoru v sezení 1 (95% CI [0,404, 2,578], p=0,006 a 95% CI [0,351, 2,142], p=0,009) i sezení 2 (95% CI [0,215, 0,935], p<0,001 a 95% CI [0,859, 4,471], p=0,008). Kontrolní skupina s nácvikem rolí NEVYKÁZALA signifikantní zvýšení SCL od výchozího stavu v žádné fázi žádného sezení (všechny p>0,05). Efekty SCL mezi skupinami byly celkově malé (d=0,06-0,41), přičemž jeden střední efekt byl zaznamenán pro konverzační úlohu v sezení 2 (d=0,80).

Míry výskytu SCR (podíl úzkost vyvolávajících podnětů, které vyvolaly kožní vodivostní reakci) ukázaly v sezení 1 neočekávaný vzorec: kontrolní skupina vykazovala signifikantně VÍCE SCR než experimentální skupina, zejména pro zamračení (t=-3,79, p<0,05) a pro všechny podněty dohromady (t=-3,76, p<0,05). Autoři to interpretují tak, že zamračení je jemným neverbálním signálem, který může být těžší přesně vnímat u fotorealistického avatara než u skutečné osoby. V rámci experimentální skupiny byly míry detekce SCR srovnatelné mezi podmínkami in virtuo (sezení 1) a in vivo (sezení 2) (t(4)=-1,07, p=0,35), což naznačuje, že avatar vyvolával podnětem vázané fyziologické reakce srovnatelné s těmi, které vyvolala skutečná osoba pro tytéž účastníky.

Srdeční frekvence a RMSSD vykazovaly v obou skupinách neočekávaný vzorec. Místo předpokládaného zvýšení SF (a poklesu RMSSD) při stresu obě skupiny vykazovaly SNÍŽENÍ SF oproti výchozímu stavu ve většině fází (např. SF u rozhovoru v sezení 1 experimentální skupiny 95% CI [-9,828, -2,325], p=0,002; SF u rozhovoru v sezení 1 kontrolní skupiny 95% CI [-6,038, -2,029], p<0,001) a RMSSD se během rozhovoru in virtuo experimentální skupiny v sezení 1 ZVYŠOVALO (95% CI [4,699, 12,030], p<0,001). Autoři to interpretují jako autonomní adaptaci nebo habituaci v průběhu sociálního stresu (Kreibig, 2010) a upozorňují, že reakce SF ne vždy sledují učebnicový vzorec v kontextech sociální úzkosti.

Subjektivně hlášené SUDS vykazovalo zřetelnou disociaci od fyziologického vzrušení. V sezení 1 se SUDS skupiny s VR v průběhu rozhovoru in virtuo NELIŠILO signifikantně od výchozího stavu (začátek 95% CI [-1,167, 2,833], p=0,40; konec 95% CI [-2,667, 1,833], p=1,0). SUDS skupiny s nácvikem rolí bylo signifikantně zvýšeno nad výchozím stavem na začátku (95% CI [2,00, 4,33], p<0,001) i na konci rozhovoru (95% CI [2,16, 5,16], p<0,001). Efekt mezi skupinami na konci rozhovoru byl velký (d=1,35, 95% CI [-2,77, -0,67], p=0,031); ostatní srovnání mezi skupinami v sezení 1 vykázala velké velikosti efektů (d=0,94-1,27), která nedosáhla statistické signifikance při tomto vzorku.

V sezení 2 (in vivo pro obě skupiny) obě skupiny vykazovaly zvýšené SUDS na začátku rozhovoru (experimentální p=0,003; kontrolní p=0,002) a do konce rozhovoru se vrátily téměř na výchozí úroveň, přičemž velikosti efektů mezi skupinami se zmenšily (d=0,25-0,30).

Cíl 3 - přidaná hodnota VR oproti nácviku rolí s logopedem. Sebeuplatnění nevykázalo statisticky signifikantní rozdíly mezi skupinami v žádném časovém bodě měření (Mannův-Whitneyův test U, všechny p>0,58) a statisticky signifikantně se nezměnilo v rámci žádné skupiny od doby před rozhovorem v sezení 1 do doby po rozhovoru v sezení 2 (experimentální Wilcoxon Z=-1,36, p=0,17, r=0,60; kontrolní Z=-0,94, p=0,345, r=0,39). Autoři uzavírají, že jediné tréningové sezení v žádné z podmínek nepřineslo signifikantní zlepšení sebeuplatnění ani nesnížilo úzkost při následném reálném rozhovoru s neznámým hereckým učitelem. Střední velikosti efektů v rámci skupin (r=0,36-0,60) naznačují potenciální trendy, které by tato pilotní studie nebyla výkonná pro jejich prokázání.

Proč je to důležité

Jde o první studii u koktavosti, která implementuje VR prostředí tváří v tvář v reálném čase s fotorealistickým avatarem, jehož verbální a neverbální chování je řízeno živě klinikem prostřednictvím snímání pohybů obličeje, a kombinuje toto prostředí s párovými fyziologickými a subjektivními mírami. Rozšiřuje předchozí práci stejného výzkumného týmu (Moise-Richard et al. 2021) ze skupinových a audienčních scénářů do rozhovoru jeden na jednoho a řeší absenci fyziologického měření v předchozí studii.

Klíčovým interpretačním přínosem je disociace mezi zvýšeným fyziologickým vzrušením (SCL) a nezměněným subjektivním stresem (SUDS) ve stavu s VR - vzorec konzistentní s tripartitním modelem úzkosti podle Langa a s výsledky Brundage et al. (2016) u dospělých, kteří koktají. Pokud by budoucí vícesezénní protokol tuto disociaci spolehlivě potvrdil, autoři navrhují, že by VR mohlo sloužit jako raný vstupní bod pro vyhýbavé dospívající, kteří by jinak odmítli expozici in vivo: tělo aktivuje fyziologický mechanismus extinktivního učení, zatímco vědomá zkušenost ohrožení zůstává snesitelná. Autoři jsou explicitní v tom, že jde o odvozování z disociačního vzorce, nikoli o prokázaný terapeutický efekt této studie.

Stejně důležité je to, co studie NEPROKÁZALA: jediné VR tréningové sezení nebylo nadřazené jedinému sezení nácviku rolí s logopedem při snižování úzkosti nebo zlepšování sebeuplatnění, když účastníci následně čelili neznámému hereckému učiteli. Autoři jsou jasní v tom, že vícesezénní protokoly v rámci plného rámce KBT jsou zapotřebí, než bude možné formulovat jakékoli klinické doporučení ohledně přidané hodnoty VR.

Konkrétně k Therapy withVR: tato studie nepoužívala, nehodnotila ani nesrovnávala Therapy withVR. Testovaný systém je vlastní aplikace Unreal Engine 5.03 / MetaHuman řízená snímáním pohybů obličeje logopeda na Meta Quest 2. Therapy withVR je odlišná platforma s odlišným modelem řízení (prostředí, emoce a chování publika upravované klinikem z webové aplikace, nikoli faciaální ztotožnění s jedním avatarem). Studie Delangle et al. je do Evidence Hubu zařazena proto, že přispívá k širší evidenční základně pro imerzivní VR u úzkosti z koktavosti u mladých lidí, nikoli proto, že se vztahuje k Therapy withVR.

Omezení

Autoři explicitně upozorňují na tato omezení v diskusi (sekce 6):

• Velmi malý vzorek. N=12, 6 na skupinu. U vnímaných i fyziologických reakcí byla pozorována značná interindividuální variabilita. Pro charakterizaci variability a identifikaci profilů odpovědí je zapotřebí větší vzorek.
• Pouze jediné tréningové sezení. Autoři jsou explicitní v tom, že jedno sezení nestačí pro posouzení tréningových efektů na sebeuplatnění a úzkost; jsou zapotřebí vícesezénní protokoly.
• Nekonzistentnost hereckých učitelů v sezení 2. Dva různí herci hráli učitele in vivo napříč vzorkem (shodní věkovým rozmezím a tělesnou konstitucí, oba angažovaní vůči oběma skupinám), avšak každý měl přirozeně odlišné prozodické rysy a jedinečné reakce.
• Stejný logoped hrál obě role. Vlastní logoped každého účastníka někdy řídil avatar (experimentální skupina) a někdy byl partnerem při nácviku rolí in-person (kontrolní skupina). Autoři uvádějí, že to odráží přirozenou variaci v klinickém prostředí, avšak přidává variabilitu do dat.
• Rozpoznání logopeda staršími účastníky. Dva nejstarší účastníci (16 a 18 let) rozpoznali prozódii a mluvní styl svého logopeda navzdory modulaci hlasu, což mohlo ovlivnit jejich emocionální reakce.
• Retrospektivní měření SUDS. SUDS bylo podáváno po rozhovoru, aby nedošlo k přerušení úlohy. Účastníci, kteří v průběhu rozhovoru přirozeně regulovali úzkost, mohli zpětně podhodnotit její vrchol.
• Absence míry imerzivních tendencí. Dotazník imerzivních tendencí (Witmer & Singer, 1998) byl vyloučen s cílem snížit kognitivní zátěž mladších účastníků. Interindividuální rozdíly v propenzitě k imerzi mohou vysvětlovat variabilitu v subjektivní přítomnosti a emocionálních reakcích.
• Scénáře jeden na jednoho a skupinová nastavení nebyla srovnávána. Někteří účastníci hlásili nižší úzkost, než se očekávalo, v nastavení jeden na jednoho; budoucí práce by mohla srovnávat VR s jedním avatarem a virtuálně skupinové scénáře.
• Bez sledování očních pohybů. Některé děti zřejmě vyhýbaly zrakový kontakt s virtuálním učitelem; eye-tracking by pomohl kvantifikovat vyhýbavé chování.
• Neznámý herec místo skutečného učitele. In vivo sezení 2 využívalo neznámého herce, nikoli vlastního učitele každého účastníka. Tím se zlepšila experimentální kontrola, ale snížily se osobní sázky (pro reakce účastníka neexistovaly žádné reálné akademické ani sociální důsledky), což mohlo přispět k nižší vnímané úzkosti.
• Nejde o plný rámec CBT expozice. Postup je přesněji charakterizován jako “tréningové sezení” než jako formální expoziční terapie. Plný protokol expozice na bázi KBT s odstupňovanou hierarchií, rámcem porušování očekávání a konsolidací po expozici napříč více sezeními nebyl implementován.
• Střet zájmů k deklarování. Spoluautor Stephane Bouchard je konzultantem a drží podíl ve společnosti Cliniques et Developpement In Virtuo, která vyvíjí VR prostředí. Práce explicitně uvádí, že tato společnost nevytvářela prostředí použitá v této studii, avšak vlastnický vztah je relevantní zázemní faktor při hodnocení interpretačního rámce práce ohledně terapeutického potenciálu VR.