The Brain’s Topographical Organization Shapes Dynamic Interaction Patterns That Support Flexible Behavior Based on Rules and Long-Term Knowledge
Notice bibliographique
Résumé
Adaptive behavior relies both on specific rules that vary across situations and stable long-term knowledge gained from experience. The frontoparietal control network (FPCN) is implicated in the brain's ability to balance these different influences on action. Here, we investigate how the topographical organization of the cortex supports behavioral flexibility within the FPCN. Functional properties of this network might reflect its juxtaposition between the dorsal attention network (DAN) and the default mode network (DMN), two large-scale systems implicated in top-down attention and memory-guided cognition, respectively. Our study tests whether subnetworks of FPCN are topographically proximal to the DAN and the DMN, respectively, and how these topographical differences relate to functional differences: the proximity of each subnetwork is anticipated to play a pivotal role in generating distinct cognitive modes relevant to working memory and long-term memory. We show that FPCN subsystems share multiple anatomical and functional similarities with their neighboring systems (DAN and DMN) and that this topographical architecture supports distinct interaction patterns that give rise to different patterns of functional behavior. The FPCN acts as a unified system when long-term knowledge supports behavior but becomes segregated into discrete subsystems with different patterns of interaction when long-term memory is less relevant. In this way, our study suggests that the topographical organization of the FPCN and the connections it forms with distant regions of cortex are important influences on how this system supports flexible behavior.
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 | 0,001 | 0,001 |
| 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 ».