Proactive Control: Neural Oscillatory Correlates of Conflict Anticipation and Response Slowing
Notice bibliographique
Résumé
Proactive control allows us to anticipate environmental changes and adjust behavioral strategy. In the laboratory, investigators have used a number of different behavioral paradigms, including the stop-signal task (SST), to examine the neural processes of proactive control. Previous functional MRI studies of the SST have demonstrated regional responses to conflict anticipation-the likelihood of a stop signal or P(stop) as estimated by a Bayesian model-and reaction time (RT) slowing and how these responses are interrelated. Here, in an electrophysiological study, we investigated the time-frequency domain substrates of proactive control. The results showed that conflict anticipation as indexed by P(stop) was positively correlated with the power in low-theta band (3-5 Hz) in the fixation (trial onset)-locked interval, and go-RT was negatively correlated with the power in delta-theta band (2-8 Hz) in the go-locked interval. Stimulus prediction error was positively correlated with the power in the low-beta band (12-22 Hz) in the stop-locked interval. Further, the power of the P(stop) and go-RT clusters was negatively correlated, providing a mechanism relating conflict anticipation to RT slowing in the SST. Source reconstruction with beamformer localized these time-frequency activities close to brain regions as revealed by functional MRI in earlier work. These are the novel results to show oscillatory electrophysiological substrates in support of trial-by-trial behavioral adjustment for proactive control.
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 | 0,002 |
| 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) | 0,001 | 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 ».