Normal acquisition of expertise with greebles in two cases of acquired prosopagnosia
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
Face recognition is generally thought to rely on different neurocognitive mechanisms than most types of objects, but the specificity of these mechanisms is debated. One account suggests the mechanisms are specific to upright faces, whereas the expertise view proposes the mechanisms operate on objects of high within-class similarity with which an observer has become proficient at rapid individuation. Much of the evidence cited in support of the expertise view comes from laboratory-based training experiments involving computer-generated objects called greebles that are designed to place face-like demands on recognition mechanisms. A fundamental prediction of the expertise hypothesis is that recognition deficits with faces will be accompanied by deficits with objects of expertise. Here we present two cases of acquired prosopagnosia, Herschel and Florence, who violate this prediction: Both show normal performance in a standard greeble training procedure, along with severe deficits on a matched face training procedure. Herschel and Florence also meet several response time criteria that advocates of the expertise view suggest signal successful acquisition of greeble expertise. Furthermore, Herschel's results show that greeble learning can occur without normal functioning of the right fusiform face area, an area proposed to mediate greeble expertise. The marked dissociation between face and greeble expertise undermines greeble-based claims challenging face-specificity and indicates face recognition mechanisms are not necessary for object recognition after laboratory-based training.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle