Hippocampal Signal Complexity and Rate-of-Change Predict Navigational Performance: Evidence from a Two-Week VR Training Program
Notice bibliographique
Résumé
The hippocampus is believed to be an important region for spatial navigation, helping to represent the environment and plan routes. Evidence from rodents has suggested that the hippocampus processes information in a graded manner along its long-axis, with anterior regions encoding coarse information and posterior regions encoding fine-grained information. Brunec et al. (2018) demonstrated similar patterns in humans in a navigation paradigm, showing that the anterior-posterior gradient in representational granularity and the rate of signal change exist in the human hippocampus. However, the stability of these signals and their relationship to navigational performance remain unclear. In this study, we conducted a two-week training program where participants learned to navigate through a novel city environment. We investigated inter-voxel similarity (IVS) and temporal auto-correlation hippocampal signals, measures of representational granularity and signal change, respectively. Specifically, we investigated how these signals were influenced by navigational ability (i.e., stronger vs. weaker spatial learners), training session, and navigational dynamics. Our results revealed that stronger learners exhibited a clear anterior-posterior distinction in IVS in the right hippocampus, while weaker learners showed less pronounced distinctions. Additionally, lower general IVS levels in the hippocampus were linked to better early learning. Successful navigation was characterized by faster signal change, particularly in the anterior hippocampus, whereas failed navigation lacked the anterior-posterior distinction in signal change. These findings suggest that signal complexity and signal change in the hippocampus are important factors for successful navigation, with IVS representing information organization and auto-correlation reflecting moment-to-moment updating. These findings support the idea that efficient organization of scales of representation in an environment may be necessary for efficient navigation itself. Understanding the dynamics of these neural signals provides insights into the mechanisms underlying navigational learning in humans.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».