MEG Based Precision-Gain Index (PGI) Reveals Dual-task Costs in Vision and Audition
Notice bibliographique
Résumé
Perception allows humans to adaptively navigate their environment by integrating sensory signals into coherent representations and it depends on how precisely the brain weights prediction errors from sensory inputs. However, when multiple senses compete, it remains unclear how this precision is distributed and whether it predicts behavioral efficiency under attentional load. To further explore this question, we recruited thirty adults who performed auditory–visual oddball tasks during magnetoencephalography (MEG) under single-attention (‘pure load’) and dual-stream (‘dual load’) conditions. Behavioral efficiency was quantified using the inverse-efficiency score (IES), with modality-specific loss under dual load defined as the increase in IES from single- to dual-stream blocks. To capture neural precision, we derived a modality-specific precision-gain index (PGI) from the difference wave, computed as the normalized contrast between attended and ignored deviant–standard responses. At the group level, dual load impaired behavioral efficiency, with a larger cost for vision than for audition. In parallel, PGI increased under dual load for both modalities (vision Δ=+0.044, p=.0075; audition Δ=+0.033, p=.014). Finally, we examined whether PGI in the 100–200 ms window could predict these modality-specific efficiency losses. In vision, higher PGI predicted larger efficiency losses under dual load (r=.45, p=.0144). In contrast, in audition, a greater ΔPGI (dual minus pure) predicted smaller efficiency losses (r=−.44, p=.0149). Thus, within ~200 ms, PGI captures modality-specific, load-dependent precision and forecasts how well participants sustain efficiency under dual-task demands.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».