Visual Statistical Learning Alters Low-Dimensional Cortical Architecture
Notice bibliographique
Résumé
Our brains are in a constant state of generating predictions, implicitly extracting environmental regularities to support later cognition and behavior, a process known as statistical learning (SL). While prior work investigating the neural basis of SL has focused on the activity of single brain regions in isolation, much less is known about how distributed brain areas coordinate their activity to support such learning. Using fMRI and a classic visual SL task, we investigated changes in whole-brain functional architecture as human female and male participants implicitly learned to associate pairs of images, and later, when predictions generated from learning were violated. By projecting individuals' patterns of cortical and subcortical functional connectivity onto a low-dimensional manifold space, we found that SL was associated with changes along a single neural dimension describing covariance across the visual-parietal and perirhinal cortex (PRC). During learning, we found regions within the visual cortex expanded along this dimension, reflecting their decreased communication with other networks, whereas regions within the dorsal attention network (DAN) contracted, reflecting their increased connectivity with higher-order cortex. Notably, when SL was interrupted, we found the PRC and entorhinal cortex, which did not initially show learning-related effects, now contracted along this dimension, reflecting their increased connectivity with the default mode and DAN, and decreased covariance with visual cortex. While prior research has linked SL to either broad cortical or medial temporal lobe changes, our findings suggest an integrative view, whereby cortical regions reorganize during association formation, while medial temporal lobe regions respond to their violation.
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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».