Using cortico‐cerebellar structural patterns to classify early‐ and late‐trained musicians
Notice bibliographique
Résumé
A body of current evidence suggests that there is a sensitive period for musical training: people who begin training before the age of seven show better performance on tests of musical skill, and also show differences in brain structure-especially in motor cortical and cerebellar regions-compared with those who start later. We used support vector machine models-a subtype of supervised machine learning-to investigate distributed patterns of structural differences between early-trained (ET) and late-trained (LT) musicians and to better understand the age boundaries of the sensitive period for early musicianship. After selecting regions of interest from the cerebellum and cortical sensorimotor regions, we applied recursive feature elimination with cross-validation to produce a model which optimally and accurately classified ET and LT musicians. This model identified a combination of 17 regions, including 9 cerebellar and 8 sensorimotor regions, and maintained a high accuracy and sensitivity (true positives, i.e., ET musicians) without sacrificing specificity (true negatives, i.e., LT musicians). Critically, this model-which defined ET musicians as those who began their training before the age of 7-outperformed all other models in which age of start was earlier or later (between ages 5-10). Our model's ability to accurately classify ET and LT musicians provides additional evidence that musical training before age 7 affects cortico-cerebellar structure in adulthood, and is consistent with the hypothesis that connected brain regions interact during development to reciprocally influence brain and behavioral maturation.
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 | 0,001 | 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 ».