The Picture of the Linguistic Brain: How Sharp Can It Be? Reply to Fedorenko & Kanwisher
Notice bibliographique
Résumé
What is the best way to learn how the brain analyzes linguistic input? Two popular methods have attempted to segregate and localize linguistic processes: analyses of language deficits subsequent to (mostly focal) brain disease, and functional Magnetic Resonance Imaging (fMRI) in health. A recent Compass article by Fedorenko and Kanwisher (FK, 2009) observes that these methods group together data from many individuals through methods that rely on variable anatomical landmarks, and that results in a murky picture of how language is represented in the brain. To get around the variability problem, FK propose to import into neurolinguistics a method that has been successfully used in vision research - one that locates functional Regions Of Interest (fROIs) in each individual brain.In this note, I propose an alternative perspective. I first take issue with FK's reading of the literature. I point out that, when the neurolinguistic landscape is examined with the right linguistic spectacles, the emerging picture - while intriguingly complex - is not murky, but rather, stable and clear, parsing the linguistic brain into functionally and anatomically coherent pieces. I then examine the potential value of the method that FK propose, in light of important micro-anatomical differences between language and high-level vision areas, and conclude that as things stand the method they propose is not very likely to bear much fruit in neurolinguistic research.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,020 |
| Communication savante | 0,006 | 0,020 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,024 | 0,060 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».