Age-related delay in information accrual for faces: Evidence from a parametric, single-trial EEG approach
Notice bibliographique
Résumé
We investigated age-related changes in visual processing speed in a face discrimination task using ERPs. Younger (n=13, mean age=22) and older (n=18, mean age=70) observers performed a spatial, two alternative forced choice task between 2 faces. Emphasis was on accuracy, not speed. Stimulus phase was manipulated in a parametric design, ranging from 0% (noise), to 100% (original stimulus). Behavioural 75% correct thresholds were on average lower, and maximum accuracy was higher, in younger than older observers. The earliest age-related ERP differences occurred in the time window of the N170: Older observers had a significantly stronger N170 in response to noise, but this age difference decreased with increasing phase information. These effects were not due to changes in brain signal variance. Overall, manipulating phase had a greater effect on ERPs from younger observers. This result was confirmed by a hierarchical modelling approach. ERPs from each subject were entered into a single-trial multiple linear regression model to identify variations in neural activity statistically associated with changes in image structure (Rousselet, Pernet, Bennett & Sekuler, BMC Neuroscience, 2008). The main model parameters were stimulus phase noise, kurtosis, and a measure of local phase coherence. The fit of the model, indexed by R2, was computed at multiple post-stimulus time points: peak R2 was similar in the two groups, but it occurred at a longer latency in older observers. Overall, our results suggest that older subjects accumulate face information more slowly than younger subjects. Despite the overall age-related group differences, within each age group chronological age did not predict any of the results.
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 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 | 0,001 | 0,004 |
| 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 | 0,002 |
| 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 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».