Retooling Computational Techniques for EEG-Based Neurocognitive Modeling of Children's Data, Validity and Prospects for Learning and Education
Notice bibliographique
Résumé
This paper describes continuing research on the building of neurocognitive models of the in-ternal mental and brain processes of children using a novel adapted combination of existing computational approaches and tools, and using electro-encephalographic (EEG) data to vali-date the models. The guiding working model which was pragmatically selected for investiga-tion was the established and widely used Adaptive Control of Thought-Rational (ACT-R) modeling architecture from cognitive science. The anatomo-functional circuitry covered by ACT-R is validated by MRI-based neuroscience research. The present experimental data was obtained from a cognitive neuropsychology study involving preschool children (aged 4-6), which measured their visual selective attention and word comprehension behaviors. The col-lection and analysis of Event-Related Potentials (ERPs) from the EEG data allowed for the identification of sources of electrical activity known as dipoles within cortex, using a combi-nation of computational tools (Independent Component Analysis, FASTICA; EEG-Lab DIPFIT). The results were then used to build neurocognitive models based on Python-ACT-R such that the patterns and the timings of the measured EEG could be reproduced as simplified symbolic representations of spikes, built through simplified electric-field simulations. The models simulated ultimately accounted for more than three-quarters of variations spatially and temporally in all electrical potential measurements (fit of model to dipole data expressed as R2 ranged between 0.75 and 0.98; P < 0.0001). Implications for practical uses of the present work are discussed for learning and educational applications in non-clinical and special needs children’s populations and for possible use of non-experts (teachers and parents).
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 | 0,000 | 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) | 0,000 | 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 ».