Sleep Contributions to Hippocampal Gist Extraction
Notice bibliographique
Résumé
To better understand the world, humans scan the information contents of our experiences for patterns, corresponding to the extraction of gist, or essential meaning (Brainerd & Reyna, 1990). Research suggests that some forms of gist extraction require several hours, and even sleep for further processing (Ellenbogen et al., 2007; Payne et al., 2009), perhaps becoming subsequently reactivated in the hippocampus (Marshall & Born, 2007). Interestingly, the hippocampus may itself be functionally specialized for gist extraction in its anterior segment (Poppenk et al., 2013). The current study investigated the role of the anterior/posterior hippocampus and sleep stages in predicting patterns of change in gist memory over the course of a week. To assess this link, I identified four types of gist (inferential, statistical, multi-item, and single-item) that were described in recent reviews (Landmann et al., 2014; Stickgold & Walker, 2013). 104 participants were recruited, 67 of whom passed eligibility criteria and completed three behavioural sessions (evening before sleep, 12 hours later in the morning after sleep, and one week after the first session) and an MRI several weeks later as part of a broader battery of tasks. I found evidence that inferential gist in a transitive inference task increased over time, suggesting that new information is being formed. I also found that REM, rather than slow-wave sleep, predicted gist extraction in a number of different tasks. Lastly, hippocampal volumes predicted immediate rather than delayed gist extraction.
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 | 0,002 |
| 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 | 0,001 | 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) | 0,004 | 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 ».