Notice bibliographique
Résumé
Analogical reasoning is a core facet of higher cognition in humans. Creating analogies as we navigate the environment helps us learn. Analogies involve reframing novel encounters using knowledge of familiar, relationally similar contexts stored in memory. When an analogy links a novel encounter with a familiar context, it can aid in problem solving. Reasoning by analogy is a complex process that is mediated by multiple brain regions and mechanisms. Several advanced computational architectures have been developed to simulate how these brain processes give rise to analogical reasoning, like the "learning with inferences and schema abstraction" architecture and the Companion architecture. To obtain this power to simulate human reasoning, theses architectures assume that various computational "subprocesses" comprise analogical reasoning, such as analogical access, mapping, inference, and schema induction, consistent with the structure-mapping framework proposed decades ago. However, little is known about how these subprocesses relate to actual brain processes. While some work in neuroscience has linked analogical reasoning to regions of brain prefrontal cortex, more research is needed to investigate the wide array of specific neural hypotheses generated by the computational architectures. In the current article, we review the association between historically important computational architectures of analogy and empirical studies in neuroscience. In particular, we focus on evidence for a frontoparietal brain network underlying analogical reasoning and the degree to which brain mechanisms mirror the computational subprocesses. We also offer a general vantage on the current- and future-states of neuroscience research in this domain and provide some recommendations for future neuroimaging studies.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».