fMRI response patterns in human somato-motor cortex predict memory advantage for real objects versus their images
Notice bibliographique
Résumé
Real objects are more memorable than two-dimensional (2-D) images of the same items, a phenomenon known as the "Real Object Memory Advantage", or ROMA (Snow et al., 2014). Although emerging evidence indicates that real objects are processed differently to images because they afford physical interaction (Gomez, Skiba and Snow, in press), little is known about the underlying mechanism for the ROMA. Here, we used fMRI to identify brain areas that decode, at the time of recollection, the format in which an object was displayed during encoding. Participants first completed a behavioral learning task in which they were asked to remember a large set of everyday household objects. Half of the stimuli were presented as real-world objects; the other half were 2-D images of objects presented on a computer monitor. The images were matched closely to their real-world counterparts for size, apparent distance, viewpoint, background, and illumination, and all stimuli were presented within reach. Participants later completed a recognition task in the MRI scanner. During each scan, participants viewed text descriptors (e.g., 'hammer') and were asked to decide whether each item was viewed as a real object, a 2-D image, or was not viewed at all, during the study phase. Overall, most observers showed superior memory performance for items previously viewed as real objects versus 2-D images, consistent with earlier findings (Snow et al., 2014). Critically, searchlight multivariate pattern analysis (MVPA) of the fMRI data revealed that motor and somatosensory areas in parietal cortex (regions involved during grasping and somatosensation), but not ventral visual areas (regions involved in object perception), were able to decode stimulus format, even though participants did not interact manually with any of the stimuli during the study phase. These results suggest that the ROMA is due to re-activation of dorsal somato-motor networks at the time of retrieval. Meeting abstract presented at VSS 2018
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 | 0,001 |
| 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) | 0,002 | 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 ».