The Cerebral Basis of Mapping Nonsymbolic Numerical Quantities onto Abstract Symbols: An fMRI Training Study
Notice bibliographique
Résumé
Although significant insights into the neural basis of numerical and mathematical processing have been made, the neural processes that enable abstract symbols to become numerical remain largely unexplored in humans. In the present study, adult participants were trained to associate novel symbols with nonsymbolic numerical magnitudes (arrays of dots). Functional magnetic resonance imaging was used to examine the neural correlates of numerical comparison versus recognition of the novel symbols after each of two training stages. A left-lateralized fronto-parietal network, including the intraparietal sulcus, the precuneus, and the dorsal prefrontal cortex, was more active during numerical comparison than during perceptual recognition. In contrast, a network including bilateral temporal-occipital regions was more active during recognition than comparison. A whole-brain three-way interaction revealed that those individuals who had higher scores on a postscan numerical task (measuring their understanding of the global numerical organization of the novel symbols) exhibited increasing segregation between the two tasks in the bilateral intraparietal sulci as a function of increased training. Furthermore, whole-brain regression analysis showed that activity in the left intraparietal sulcus was systematically related to the effect of numerical distance on accuracy. These data provide converging evidence that parietal and left prefrontal cortices are involved in learning to map numerical quantities onto visual symbols. Only the parietal cortex, however, appeared systematically related to the degree to which individuals learned to associate novel symbols with their numerical referents. We conclude that the left parietal cortex, in particular, may play a central role in imbuing visual symbols with numerical meaning.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».