Computational Models of Age-Associated Cognitive Slowing
Notice bibliographique
Résumé
Abstract Background Cognitive slowing accompanies normal aging, yet understanding of the mechanisms of slowing is limited at the network and neuronal level. Relating the pathophysiological factors responsible for cognitive slowing, and interpreting its relationship to working memory, requires multiscale computer modeling. Objective The aim of this research is to explore multiple mechanisms of cognitive slowing using computational modeling of the cortex to link neuronal activity with cognitive content. Method We developed multiscale computer models of a simple cognitive task - Condition 1 of the Stroop recognition task - using the Nengo system, a cognitive simulation environment with a semantic pointer architecture developed to model cognitive tasks using spiking neural networks. We explored how changes associated with aging such as increased input noise, axonal loss, neuronal loss, and feedback would affect the function of the models. Results Axonal loss and increased input noise produced profound slowing. High levels of neuronal loss severely impaired memory and paradoxically decreased slowing via the ability to respond more quickly by “releasing” a prior memory. Increased feedback improved memory at the cost of increased slowing. Conclusion Our simulations suggest that significant slowing could be caused by white matter loss (axonal loss) or input signal degradation (which could be caused by visual or other afferent system worsening). As neuronal loss markedly decreased the duration of working memory, we propose that physiological feedback is increased to preserve working memory at the cost of further cognitive slowing.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».