A Machine Learning Approach Towards the Differentiation Between Interoceptive and Exteroceptive Attention
Notice bibliographique
Résumé
Abstract Interoception, the representation of the body’s internal state, plays a central role in emotion, motivation, and wellbeing. Interoceptive attention is qualitatively different from attention to the external senses and may recruit a distinct neural system, but the neural separability of interoceptive and exteroceptive attention is unclear. We used a machine learning approach to classify neural correlates of interoceptive and exteroceptive attention in a randomized control trial of interoceptive training (MABT). Participants in the training and control groups attended fMRI assessment before and after an 8-week intervention period (N = 44 scans). The imaging paradigm manipulated attention targets (breath vs. visual stimulus) and reporting demands (active reporting vs. passive monitoring). Machine learning models achieved high accuracy in distinguishing between interoceptive and exteroceptive attention using both in-sample and more stringent out-of-sample tests. We then explored the potential of these classifiers in “reading out” mental states in a sustained interoceptive attention task. Participants were classified as maintaining an active reporting state for only ∼90s of each 3-minute sustained attention period. Within this active period, interoceptive training enhanced participants’ ability to sustain interoceptive attention. These findings demonstrate that interoceptive and exteroceptive attention engage reliable and distinct neural networks; machine learning classifiers trained on this distinction show promise for assessing the stability of interoceptive attention, with implications for the future assessment of mental health and treatment response.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».