Semantic and Perceptual Processing of Number Symbols: Evidence from a Cross-linguistic fMRI Adaptation Study
Notice bibliographique
Résumé
The ability to process the numerical magnitude of sets of items has been characterized in many animal species. Neuroimaging data have associated this ability to represent nonsymbolic numerical magnitudes (e.g., arrays of dots) with activity in the bilateral parietal lobes. Yet the quantitative abilities of humans are not limited to processing the numerical magnitude of nonsymbolic sets. Humans have used this quantitative sense as the foundation for symbolic systems for the representation of numerical magnitude. Although numerical symbol use is widespread in human cultures, the brain regions involved in processing of numerical symbols are just beginning to be understood. Here, we investigated the brain regions underlying the semantic and perceptual processing of numerical symbols. Specifically, we used an fMRI adaptation paradigm to examine the neural response to Hindu-Arabic numerals and Chinese numerical ideographs in a group of Chinese readers who could read both symbol types and a control group who could read only the numerals. Across groups, the Hindu-Arabic numerals exhibited ratio-dependent modulation in the left IPS. In contrast, numerical ideographs were associated with activation in the right IPS, exclusively in the Chinese readers. Furthermore, processing of the visual similarity of both digits and ideographs was associated with activation of the left fusiform gyrus. Using culture as an independent variable, we provide clear evidence for differences in the brain regions associated with the semantic and perceptual processing of numerical symbols. Additionally, we reveal a striking difference in the laterality of parietal activation between the semantic processing of the two symbols types.
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 | 0,020 |
| 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 | 0,001 |
| 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 ».