Use of a correlative training method in the rehabilitation of acquired prosopagnosia
Notice bibliographique
Résumé
No effective treatment is known for acquired prosopagnosia. We investigated a novel rehabilitative training strategy, based on work with neural network models showing that correlating a weak cue with a strong cue during training can help a network learn tasks that would otherwise not be possible. Many prosopagnosic subjects can recognize facial expressions despite their problems with identity. By correlating expression with identity during early training stages, we can pair a strong cue (expression) with a weak one (identity). With repeated training, this correlation should increase the perceived difference between these novel faces, eventually allowing recognition of identity even when expression is no longer correlated. We trained two prosopagnosic subjects (R-AT1 and B-AT1) with anterior temporal lesions and intact recognition of facial expression. During the correlative method, subjects learned five frontal-view faces, initially all with unique expressions. Once they achieved a criterion success rate, a modest degree of variability in expression was introduced, and more again once criterion was achieved, until expression was eventually uncorrelated with identity after several weeks of thrice-weekly training. Additional training runs were performed with hair removed, and external contour removed. As control experiments, we had subjects learn five other faces over a similar time period, but without any correlation between identity and expression. Subjects learned to recognize these small sets of faces, even without hair or external contour, and showed high levels of retention even two months later. However, subjects also learned the faces in control experiments, suggesting that repeated exposure was also effective. fMRI scanning in one subject showed a significant increase in peak-voxel significance and the number of face-selective voxels in the fusiform face area after training. These results show that prosopagnosics can learn to recognize a small set of faces with at least some invariance for expression.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».