MétaCan
Menu
Retour à la cohorte
Enregistrement W4414086066 · doi:10.1126/science.adu9828

Visual objects refine head direction coding

2025· article· en· W4414086066 sur OpenAlexaff
Dominique Siegenthaler, Henry Denny, Sofía Skromne Carrasco, Daniel Levenstein, Adrien Peyrache, Stuart Trenholm, Émilie Macé

Notice bibliographique

RevueScience · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Image and Video Retrieval Techniques
Établissements canadiensMila - Quebec Artificial Intelligence InstituteMcGill UniversityMontreal Neurological Institute and Hospital
Organismes subventionnairesnon disponible
Mots-clésVisual cortexCoding (social sciences)LimitingNeural codingElectrophysiologyVisual perceptionN2pcVisual ObjectsObject (grammar)

Résumé

récupéré en direct d'OpenAlex

Animals use visual objects to guide navigation-related behaviors. However, visual object-preferring areas have yet to be described in the mouse brain, limiting our understanding of how visual objects affect spatial navigation system processing. Using functional ultrasound imaging, we identified brain areas that were preferentially activated by images of objects compared with their scrambled versions. Whereas visual cortex did not show a preference, areas associated with spatial navigation were preferentially activated by visual objects. Electrophysiological recordings in postsubiculum, the cortical head direction (HD) system hub, confirmed a preference for visual objects in both HD cells and fast-spiking interneurons. In freely moving animals, visual objects increased firing rates of HD cells aligned with a visual object but decreased activity in HD cells coding for other directions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,937
Score d'incertitude au seuil0,289

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,362
Écart entre enseignants0,347 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScienceMême sujetAdvanced Image and Video Retrieval TechniquesTravaux en français237 207