Targeted memory reactivation has a sleep stage‐specific delayed effect on dream content
Notice bibliographique
Résumé
Although new learning is known to reappear in later dream scenarios, the timing of such reappearances remains unclear. Sometimes, references to new learning occur relatively quickly, 1 day post-learning (day-residue effect); at other times there may be a substantive delay, 5-7 days, before such references appear (dream-lag effect). We studied temporal delays in dream reactivation following the learning of a virtual reality (VR) flying task using 10-day home sleep/dream logs, and how these might be influenced by targeted memory reactivation (TMR). Participants were exposed twice to a VR task in the sleep laboratory; once before and once after a 2-hr opportunity to nap (n = 65) or to read (n = 32). Auditory cues associated with the VR task were replayed in either wake, rapid eye movement (REM) sleep, slow-wave sleep (SWS) or were not replayed. Although we previously showed that TMR cueing did not have an immediate effect on dream content, in the present study we extend these results by showing that TMR in sleep has instead a delayed effect on task-dream reactivations: participants dreamed more about the task 1-2 days later when TMR was applied in REM sleep and 5-6 days later when it was applied in SWS sleep, compared to participants with no cueing. Findings may help explain the temporal relationships between dream and memory reactivations and clarify the occurrence of day-residue and dream-lag phenomena.
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) | 0,003 | 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 ».