The Possibility Space Concept in Neuroscience: Possibilities, Constraints, and Explanations
Notice bibliographique
Résumé
Although the brain is often characterized as a complex system, theoretical and philosophical frameworks often struggle to capture this. For example, mainstream mechanistic accounts model neural systems as fixed and static in ways that fail to capture their dynamic nature and large set of possible behaviors. In this paper, we provide a framework for capturing a common type of complex system in neuroscience, which involves two main aspects: (i) constraints on the system and (ii) the system's possibility space of available outcomes. Our analysis merges neuroscience examples with recent work in the philosophy of science to suggest that the possibility space concept involves two essential types of constraints, which we call hard and soft constraints. Our analysis focuses on a domain-general notion of possibility space that is present in manifold frameworks and representations, phase space diagrams in dynamical systems theory, and paradigmatic cases, such as Waddington's epigenetic landscape model. After building the framework with such cases, we apply it to three main examples in neuroscience: adaptability, resilience, and phenomenology. We explore how this framework supports a philosophical toolkit for neuroscience and how it helps advance recent work in the philosophy of science on constraints, scientific explanations, and impossibility explanations. We show how fruitful connections between neuroscience and philosophy can support conceptual clarity, theoretical advances, and the identification of similar systems across different domains in neuroscience.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,012 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».