The neural control of fast vs. slow vergence eye movements
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When looking between targets located in three-dimensional space, information about relative depth is sent from the visual cortex to the motor control centers in the brainstem, which are responsible for generating appropriate motor commands to move the eyes. Surprisingly, how the neurons in the brainstem use the depth information supplied by the visual cortex to precisely aim each eye on a visual target remains highly controversial. This review will consider the results of recent studies that have focused on determining how individual neurons contribute to realigning gaze when we look between objects located at different depths. In particular, the results of new experiments provide compelling evidence that the majority of saccadic neurons dynamically encode the movement of an individual eye, and show that the time-varying discharge of the saccadic neuron population encodes the drive required to account for vergence facilitation during disconjugate saccades. Notably, these results suggest that an additional input (i.e. from a separate vergence subsystem) is not required to shape the activity of motoneurons during disconjugate saccades. Furthermore, whereas motoneurons drive both fast and slow vergence movements, saccadic neurons discharge only during fast vergence movements, emphasizing the existence of distinct premotor pathways for controlling fast vs. slow vergence. Taken together, these recent findings contradict the traditional view that the brain is circuited with independent pathways for conjugate and vergence control, and thus provide an important new insight into how the brain controls three-dimensional gaze shifts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle