Maternal Gait Contributes To Development Of Beat Perception And Urge To Move To Music In A Predictive Processing Network Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Humans uniquely perceive periodic structure in complex rhythms and spontaneously move to music—abilities rare among animals. Though training and experience contribute to our sense of rhythm, basic beat perception and the urge to move to rhythm are present even in young infants. But might prenatal experience play an essential role in shaping these faculties? We propose that maternal gait during pregnancy provides critical scaffolding for rhythm development through correlated auditory-vestibular inputs that train predictive neural circuits. We implemented a recurrent predictive coding network with parallel vestibular and auditory sensory pathways, trained via Hebbian learning to minimize prediction error. Training paired discrete auditory pulses with continuous triangular vestibular waveforms mimicking maternal locomotion. These networks learned to anticipate beats and spontaneously generated vestibular predictions from auditory-only input, which, under the principles of active inference, are expected to evoke bodily movement. Critically, continuous vestibular input was necessary for successful training. This input bridges temporal gaps between auditory events, solving the credit assignment problem that makes rhythm learning computationally difficult. The resulting rhythm-induced vestibular predictions offer a possible explanation for why humans spontaneously move to music. This work illustrates how simple sensory correlations during development can give rise to complex musical behaviors.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découle