Localizing hierarchical prediction errors and precisions during an oddball task with volatility: Computational insights and relationship with psychosocial functioning in healthy individuals
Notice bibliographique
Résumé
The auditory mismatch negativity (MMN) has been widely used to investigate deficits in early auditory information processing, particularly in psychosis. Predictive coding theories suggest that impairments in sensory learning may arise from disturbances in hierarchical message passing, likely due to aberrant precision-weighting of prediction errors (PEs). This study employed a modified auditory oddball paradigm with varying phases of stability and volatility to disentangle the impact of hierarchical PEs on auditory MMN generation in 43 healthy controls (HCs). Single-trial EEG data were modeled with a hierarchical Bayesian model of learning to identify neural correlates of low-level PEs about tones and high-level PEs about environmental volatility. Our analysis revealed a reduced expression of the auditory MMN in volatile compared to stable phases of the paradigm. Additionally, lower Global Functioning (GF): Social scores were associated with a reduced difference waveform at 332 ms after stimulus presentation across the entire MMN paradigm. Further analysis revealed that this association was present during the volatile phase but not the stable phase of the paradigm. Source reconstruction suggested that the association between the stable difference waveform and psychosocial functioning originated in the left superior temporal gyrus. Finally, we found significant EEG signatures of both low- and high-level PEs and precision ratios. Our findings highlight the value of computational models in understanding the neural mechanisms involved in early auditory information processing and their connection to psychosocial functioning.
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 | 0,001 |
| 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 ».