Elemental and Configural Associative Learning in Spatial Tasks: Could Zebrafish be Used to Advance Our Knowledge?
Notice bibliographique
Résumé
Spatial learning and memory have been studied for several decades. Analyses of these processes pose fundamental scientific questions but are also relevant from a biomedical perspective. The cellular, synaptic and molecular mechanisms underlying spatial learning have been intensively investigated, yet the behavioral mechanisms/strategies in a spatial task still pose unanswered questions. Spatial learning relies upon configural information about cues in the environment. However, each of these cues can also independently form part of an elemental association with the specific spatial position, and thus spatial tasks may be solved using elemental (single CS and US association) learning. Here, we first briefly review what we know about configural learning from studies with rodents. Subsequently, we discuss the pros and cons of employing a relatively novel laboratory organism, the zebrafish in such studies, providing some examples of methods with which both elemental and configural learning may be explored with this species. Last, we speculate about future research directions focusing on how zebrafish may advance our knowledge. We argue that zebrafish strikes a reasonable compromise between system complexity and practical simplicity and that adding this species to the studies with laboratory rodents will allow us to gain a better understanding of both the evolution of and the mechanisms underlying spatial learning. We conclude that zebrafish research will enhance the translational relevance of our findings.
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 | 0,001 |
| 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 ».