Advancing (Neuro)Entrepreneurship Cognition Research Through Resting-State fMRI: A Methodological Brief
Notice bibliographique
Résumé
Despite many calls, functional brain magnetic resonance imaging (fMRI) studies are relatively rare in the domain of entrepreneurship research. This methodological brief presents the brain-imaging method of resting-state fMRI (rs-fMRI) and illustrates its application in neuroentrepreneurship for the first time. In contrast to the traditional task-based fMRI approach, rs-fMRI observes the brain in the absence of cognitive tasks or presentation of stimuli, which offers benefits for improving our understanding of the entrepreneurial mind. Here, we describe the method and provide methodological motivations for performing brain resting-state functional neuroimaging studies on entrepreneurs. In addition, we illustrate the use of seed-based correlation analysis, one of the most common analytical approaches for analyzing rs-fMRI data. In this illustration, we show that habitual entrepreneurs have increased functional connectivity between the insula (a region associated with cognitive flexibility) and the anterior prefrontal cortex (a key region for explorative choice) as compared to managers. This increased connectivity could help promote flexible behavior. Thus in brief, we provide an exemplar of a novel way to expand our understanding of the brain in the domain of entrepreneurship. We discuss possible directions for future research and challenges to be addressed to facilitate the inclusion of re-fMRI studies into neuroentrepreneurship.
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 | 0,021 | 0,654 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».