Does stochastic resonance improve performance for individuals with higher autism-spectrum quotient?
Notice bibliographique
Résumé
While noise is generally believed to impair performance, the detection of weak stimuli can sometimes be enhanced by introducing optimum noise levels. This phenomenon is termed 'Stochastic Resonance' (SR). Past evidence suggests that autistic individuals exhibit higher neural noise than neurotypical individuals. It has been proposed that the enhanced performance in Autism Spectrum Disorder (ASD) on some tasks could be due to SR. Here we present a computational model, lab-based, and online visual identification experiments to find corroborating evidence for this hypothesis in individuals without a formal ASD diagnosis. Our modeling predicts that artificially increasing noise results in SR for individuals with low internal noise (e.g., neurotypical), however not for those with higher internal noise (e.g., autistic, or neurotypical individuals with higher autistic traits). It also predicts that at low stimulus noise, individuals with higher internal noise outperform those with lower internal noise. We tested these predictions using visual identification tasks among participants from the general population with autistic traits measured by the Autism-Spectrum Quotient (AQ). While all participants showed SR in the lab-based experiment, this did not support our model strongly. In the online experiment, significant SR was not found, however participants with higher AQ scores outperformed those with lower AQ scores at low stimulus noise levels, which is consistent with our modeling. In conclusion, our study is the first to investigate the link between SR and superior performance by those with ASD-related traits, and reports limited evidence to support the high neural noise/SR hypothesis.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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; un appel candidat d’une seule tête enseignante, 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 ».