Accumulation of non‐numerical evidence during nonsymbolic number processing in the brain: An fMRI study
Notice bibliographique
Résumé
Behavioral evidence has shown that when performing a nonsymbolic number comparison task (e.g., deciding which of two dot arrays contains more dots), participants' responses are sensitive to affected by both numerical (e.g., number of items) and non-numerical magnitudes (i.e., area, density, etc.). Thus far it is unclear what brain circuits support this process of accumulating non-numerical variables during nonsymbolic number processing. To investigate this, 21 adult participants were asked to engage in a dot comparison task. To measure the neural correlates of accumulating numerical and non-numerical variables, we manipulated the number of the non-numerical magnitudes that were congruent (correlated with number) or incongruent (anticorrelated with number). In a control task, participants were asked to choose the darker of two gray rectangles (brightness task). The tasks were matched in terms of their difficulty. The results of a whole brain analysis for regions sensitive to the congruity of numerical and non-numerical magnitudes revealed a region in the right inferior frontal gyrus (rIFG). Activation in this region was found to be correlated with the relative congruency of numerical and non-numerical magnitudes. In contrast, this region was not modulated by difficulty of the brightness control task. Accordingly in view of these findings, we suggest that the rIFG supports the accumulation of non-numerical magnitudes that are positively correlated with number. Therefore taken together, this study reveals a brain region whose pattern of activity is influenced by the congruency between numerical and non-numerical variables during nonsymbolic number judgments. Hum Brain Mapp 38:4908-4921, 2017. © 2017 Wiley Periodicals, Inc.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,000 |
| 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 ».