Investigating Neural Mechanisms Underlying Landmark and Map-Learning in a Novel Goal-Directed Navigation Research Platform
Notice bibliographique
Résumé
When we drive into a supermarket, navigate in a large shopping mall or find our way in an unfamiliar city, we utilize our attention and spatial memory to reach our goal. Previous research shows that the integration of memory, perception, and executive functions is essential for efficient navigation, and its capacity can vary greatly among individuals. It is unclear what specific factors drive individual differences in navigation abilities and spatial cognition. This study investigates the neural and behavioral mechanisms underlying landmark and map-based learning during goal-directed navigation. Our main contributions in this project contain two parts: 1) up to our best knowledge, I successfully developed the first novel goal-directed navigation research platform, NeuroNav, for investigating the neural mechanism in navigation. The maze design of NeuroNav is inspired by Tolman's multiple T-junctions. During testing, participants can observe the environment in the maze via a built-in camera and control their view and location via screw-driven linear slides, a gamepad controller, and an Arduino microcontroller; 2) I systematically examined how individual differences in attention, working memory, and spatial familiarity influence navigation performance. Participants navigated to different goal locations both with and without a map while behavioral metrics (e.g., time to goal, heading changes) and EEG signals (concentration, theta, beta, gamma bands) were recorded. Results showed that familiarity and map use significantly improved navigation efficiency and reduced cognitive load, as reflected in both behavior and neural activity. EEG recordings revealed increased theta and gamma activity during novel landmark encoding and decision-making phases. These findings highlight the interplay between attention, memory, and environmental cues in spatial learning, with implications for assistive navigation technologies and populations with spatial memory deficits.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».