Notice bibliographique
Résumé
Cognitive neuroscientists rely on functional neuroimaging techniques and behavioral assays to investigate correlation between brain activation and cognitive processes. Researchers would also infer what cognitive process is engaged under a condition based on neuroimaging data. This is referred to as reverse inference or encoding paradigm and it has generated longstanding discussions among cognitive neuroscientists, data scientists and philosophers. The consensus is that it should be done with rigorous statistical methods and careful interpretations. Statistical methods and large collaborative databases and data processing tools have been developed to build classificatory or predictive models of reverse inference. However, these tools are not without pitfalls. The problem of cognitive process further complicates the problem since it is a latent variable and the wide discrepancy on the taxonomy and ontology of cognitive processes within the field. Online collaborative project has been set up to combat this problem, while others try to circumvent pre-established concepts by extracting latent variables from existing data or by focusing on the evolutionary prerequisite of cognition. A fundamental limitation of reverse inference is its dependency on correlational data, which lacks the explanatory power interventionist studies have. Models that seek to establish causal relation from time-series data can only provide weak inferences. Furthermore, the dynamic complexity of the brain network complicates the mechanism. This review provides an overview of reverse inference in cognitive neuroscience. It discusses advances in methods, limitations, and conceptual issues inherent within reverse inference, particularly addressing the challenges mentioned above.
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 | 0,020 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».