Multiple errors, multiple systems: The Hierarchical Error Processing Hypothesis
Notice bibliographique
Résumé
The simple act of reaching for a cup of coffee is closely monitored by multiple error evaluation and learning systems within the brain. The reason we need multiple error systems to evaluate our movements is simple – different neural systems are tasked with evaluating different types of errors. High-level errors, errors indicating the failure to achieve system goals, appear to be evaluated within the medial-frontal cortex. Low-level errors, errors brought about by environmental changes and/or errors in a motor command, appear to be resolved within an ongoing movement by error processing systems within the posterior parietal cortex and the cerebellum. Here, we conducted a series of studies using event-related brain potentials (ERP) to examine error evaluation during the execution of goal-directed aiming movements. Our results demonstrate that high-level errors elicit the error-related negativity – an ERP component associated with error evaluation by a reinforcement learning system within the medial-frontal cortex. Low-level errors elicited larger N100 responses – an ERP component typically associated with early visual processing and the focusing of visuospatial attention. Additionally, low-level errors also modulated the amplitude of the P300, an ERP component that has historically been associated with the updating of an internal model of the task environment. Together, our results provide further support for the hierarchical error-processing hypothesis – a hypothesis that posits that the multiple error evaluation systems within the brain are hierarchically organized to provide an overall system that is responsible for both motor control and motor learning.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».