A Common Cortical Metric for Spatial, Temporal, and Social Distance
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
Distance describes more than physical space: we speak of close friends and distant relatives, and of the near future and distant past. Did these ubiquitous spatial metaphors arise in language coincidentally or did they arise because they are rooted in a common neural computation? To address this question, we used statistical pattern recognition techniques to analyze human fMRI data. First, a machine learning algorithm was trained to discriminate patterns of fMRI responses based on relative egocentric distance within trials from one distance domain (e.g., photographs of objects relatively close to or far away from the viewer in spatial distance trials). Next, we tested whether the decision boundary generated from this training could distinguish brain responses according to relative egocentric distance within each of two separate distance domains (e.g., phrases referring to the immediate or more remote future within temporal distance trials; photographs of participants' friends or acquaintances within social distance trials). This procedure was repeated using all possible combinations of distance domains for training and testing the classifier. In all cases, above-chance decoding across distance domains was possible in the right inferior parietal lobule (IPL). Furthermore, the representational similarity structure within this brain area reflected participants' own judgments of spatial distance, temporal soon-ness, and social familiarity. Thus, the right IPL may contain a parsimonious encoding of proximity to self in spatial, temporal, and social frames of reference.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
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 découle