MétaCan
Menu
Retour à la cohorte
Enregistrement W2900162953 · doi:10.1101/466870

Sources of path integration error in young and aging humans

2018· preprint· en· W2900162953 sur OpenAlexfundno aff
Matthias Stangl, Ingmar Kanitscheider, Martin Riemer, Ila Fiete, Thomas Wolbers

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2018
Typepreprint
Langueen
DomaineEngineering
ThématiqueSpatial Cognition and Navigation
Établissements canadiensnon disponible
Organismes subventionnairesCanadian Institute for Advanced ResearchBundesministerium für Bildung und ForschungSimons FoundationHoward Hughes Medical InstituteNational Science Foundation
Mots-clésPath integrationNoise (video)Path (computing)IntegratorComputer scienceNumerical integrationPosition (finance)ComputationTracking (education)MathematicsAlgorithmPsychologyArtificial intelligenceTelecommunicationsMathematical analysisEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Path integration is a vital function in navigation: it enables the continuous tracking of one’s position in space by integrating self-motion cues. Path integration abilities vary across individuals but tend to deteriorate in old age. The specific causes of path integration errors, however, remain poorly characterized. Here, we combined tests of path integration performance with a novel analysis based on the Langevin diffusion equation, which allowed us to decompose errors into distinct causes that can corrupt path integration computations. Across age groups, the dominant errors were due to noise and a bias in speed estimation. Noise-driven errors accumulated with travel distance not elapsed time, suggesting that the dominant noise originates in the velocity input rather than within the integrator. Age-related declines were traced primarily to a growth in this unbiased noise. Together, these findings shed light on the contributors to path integration error and the mechanisms underlying age-related navigational deficits.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,376
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,219
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetSpatial Cognition and NavigationTravaux en français237 207