Neurostimulation et entraînement cognitif pour augmenter la mémoire de travail
Notice bibliographique
Résumé
La manipulation d’informations en mémoire de travail (MdT) est supportée par des oscillations cérébrales thêta (4-8Hz) dans la voie dorsale (régions fronto-pariétales). Cette étude vise à vérifier si l’application d’une stimulation magnétique transcrânienne rythmique (SMTr) dans ces régions pendant un entraînement cognitif permet d'accélérer l’apprentissage dans une tâche de MdT auditive et d’induire des effets à long terme. 14 participants, répartis aléatoirement entre le groupe SMTr (expérimental) et le groupe SHAM (contrôle), ont réalisé un entraînement de cinq sessions avec une tâche de MdT auditive. Au pré-test, la puissance des ondes thêta dans les électrodes pariétales pendant la manipulation est positivement corrélée avec la performance à la tâche. Durant les sessions de stimulation, une augmentation significative de la performance à la tâche et de la puissance des ondes thêta est observée uniquement chez le groupe SMTr. Enfin, la performance à la tâche et la puissance des ondes thêta dans les régions fronto-pariétales sont significativement plus élevées au post-test qu’au pré-test seulement pour le groupe SMTr. Cependant, aucune différence significative entre les groupes n’est présente au post-test. Cette étude démontre que des stimulations cérébrales combinées à un entraînement longitudinal peuvent accélérer l’apprentissage en augmentant la plasticité cérébrale.
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) | 0,005 | 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 ».