Reassessing the Functional Significance of BOLD Variability
Notice bibliographique
Résumé
Abstract BOLD variability (SD BOLD ) has emerged as a unique measure of the adaptive properties of neural systems that facilitate fast, stable responding, based on claims that SD BOLD is independent of mean BOLD signal (mean BOLD ) and a powerful predictor of behavioural performance. We challenge these two claims. First, the apparent independence of SD BOLD and mean BOLD may reflect the presence of deactivations; we hypothesize that while SD BOLD may not be related to raw mean BOLD it will be linearly related to absolute mean BOLD . Second, the observed relationship between SD BOLD and performance may be an artifact of using fixed-length trials longer than response times. Such designs provide opportunities to toggle between on- and off-task states, and fast responders likely engage in more frequent state-switching, thereby artificially elevating SD BOLD . We hypothesize that SD BOLD will be higher and more strongly related to performance when using such fixed-length trials relative to self-paced trials that terminate upon a response. We test these two hypotheses in an fMRI study using blocks of fixed-length or self-paced trials. Results confirmed both hypotheses: (1) SD BOLD was robustly related with absolute mean BOLD ; and (2) toggling between on- and off-task states during fixed-length trials reliably contributed to SD BOLD . Together, these findings suggest that a reappraisal of the functional significance of SD BOLD as a unique marker of cognitive performance is warranted.
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 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».