Differential mechanisms of learning-related change
Notice bibliographique
Résumé
The capacity of our visual memory is enormous. As a result, individual memories overlap with one another, but we are still able to distinguish between them effectively. This may be because the degree of overlap is dynamic, and changes with learning: Memories differentiate when initial overlap is moderate and integrate when initial overlap is high. There is considerable neural evidence for this pattern, consistent with the non-monotonic plasticity hypothesis (NMPH). However, it has been difficult to curate a stimulus set that captures the entire range of possible overlap, and to establish a behavioural task sensitive to these representational shifts. Here, we fill this gap in our understanding of neuroplasticity by using model-based stimulus synthesis to create pairs of abstract visual stimuli that sample the entire range of possible feature overlap, and using a novel task to evaluate shifts in visual memory. During encoding, we explored impacts of task demands by embedding pairs into different learning tasks. We generated image pairs, each with one of five prescribed similarity levels, that were determined by the correlation among feature vectors extracted from a pretrained convolutional neural network. The pairs were embedded into either an Episodic condition, where associations are explicitly learned, or a Statistical condition, where associations are implicitly learned via temporal contiguity. Shifts in overlap were measured using a four-alternative forced choice task, where participants were cued with an image, and all response options were altered versions of its pairmate which were either more or less similar to the cue. Selecting more similar responses suggests integration while less similar responses indicate differentiation. When episodically encoded, visually overlapping memories followed an NMPH-consistent pattern, indicating that behaviour can index representational shifts. Interestingly, integration may be attenuated at the highest similarity level, so follow-ups are underway to further characterize the shape of the learning function.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».