Training Transfers the Limits on Perception from Parietal to Ventral Cortex
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
Visually guided behavior depends on (1) extracting and (2) discriminating signals from complex retinal inputs, and these perceptual skills improve with practice [1Dosher B.A. Lu Z.L. Perceptual learning reflects external noise filtering and internal noise reduction through channel reweighting.Proc. Natl. Acad. Sci. USA. 1998; 95: 13988-13993Crossref PubMed Scopus (384) Google Scholar]. For instance, training on aerial reconnaissance facilitated World War II Allied military operations [2Downing T. Spies in the Sky. Hachette UK, London2011Google Scholar]; analysts pored over stereoscopic photographs, becoming expert at (1) segmenting pictures into meaningful items to break camouflage from (noisy) backgrounds, and (2) discriminating fine details to distinguish V-weapons from innocuous pylons. Training is understood to optimize neural circuits that process scene features (e.g., orientation) for particular purposes (e.g., judging position) [3Gilbert C.D. Sigman M. Crist R.E. The neural basis of perceptual learning.Neuron. 2001; 31: 681-697Abstract Full Text Full Text PDF PubMed Scopus (532) Google Scholar, 4Poggio T. Fahle M. Edelman S. Fast perceptual learning in visual hyperacuity.Science. 1992; 256: 1018-1021Crossref PubMed Scopus (453) Google Scholar, 5Karni A. Sagi D. Where practice makes perfect in texture discrimination: evidence for primary visual cortex plasticity.Proc. Natl. Acad. Sci. USA. 1991; 88: 4966-4970Crossref PubMed Scopus (871) Google Scholar, 6Schoups A.A. Vogels R. Orban G.A. Human perceptual learning in identifying the oblique orientation: retinotopy, orientation specificity and monocularity.J. Physiol. 1995; 483: 797-810PubMed Google Scholar]. Yet learning is most beneficial when it generalizes to other settings [7Dosher B.A. Lu Z.L. Perceptual learning in clear displays optimizes perceptual expertise: learning the limiting process.Proc. Natl. Acad. Sci. USA. 2005; 102: 5286-5290Crossref PubMed Scopus (71) Google Scholar, 8Xiao L.-Q. Zhang J.-Y. Wang R. Klein S.A. Levi D.M. Yu C. Complete transfer of perceptual learning across retinal locations enabled by double training.Curr. Biol. 2008; 18: 1922-1926Abstract Full Text Full Text PDF PubMed Scopus (295) Google Scholar] and is critical in recovery after adversity [9Ding J. Levi D.M. Recovery of stereopsis through perceptual learning in human adults with abnormal binocular vision.Proc. Natl. Acad. Sci. USA. 2011; 108: E733-E741Crossref PubMed Scopus (103) Google Scholar], challenging understanding of the circuitry involved. Here we used repetitive transcranial magnetic stimulation (rTMS) to infer the functional organization supporting learning generalization in the human brain. First, we show dissociable contributions of the posterior parietal cortex (PPC) versus lateral occipital (LO) circuits: extracting targets from noise is disrupted by PPC stimulation, in contrast to judging feature differences, which is affected by LO rTMS. Then, we demonstrate that training causes striking changes in this circuit: after feature training, identifying a target in noise is not disrupted by PPC stimulation but instead by LO stimulation. This indicates that training shifts the limits on perception from parietal to ventral brain regions and identifies a critical neural circuit for visual learning. We suggest that generalization is implemented by supplanting dynamic processing conducted in the PPC with specific feature templates stored in the ventral cortex.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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