Why do we remember our dreams so well? Implications of dream recollection on the imagination vs. hallucination debate
Notice bibliographique
Résumé
Why is dream memory so good? This loaded question appears to be based on an incorrect assumption, considering that bad memory of dreaming is, after all, well documented. However, whether dream memory is good or bad depends on what we compare these recollections to. Dream recollection is usually compared to memory of waking perceptual experiences, yet there is disagreement about whether this comparison is appropriate. Preliminary evidence suggests that dream memory is not bad compared to imagination memory and this may have implications for what it means to dream. Here we consider exactly how bad – or good – dream memory is compared to imagination that occurs while mindwandering and argue that while, prima facie, dream memory appears to provide an argument for the imagination model, this argument turns out to be unconvincing. There are many adverse conditions that would explain why memory of dreaming is worse than memory of waking events or hallucinations under the hallucination model. Further, if, as preliminary evidence might suggest, dream memory turns out to be somewhat better than imagination memory, this currently has no explanation under the imagination model. However, NREM dreams display the type of memory one might expect from imaginative dreaming. While the goodness or badness of memory in dreams should not be seen as a definitive argument for a particular model of dreaming, it should instead be taken as a piece of the broader landscape of abductive reasoning in this debate.
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 | 0,001 | 0,001 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».