Espectrografia Funcional de Infravermelho Próximo (fNIRS): a técnica e sua aplicação em estudos da linguagem
Bibliographic record
Abstract
"Nos últimos anos, em especial a partir da década de 1990, conhecida como a “década do cérebro”, diversos campos científicos voltaram seus interesses a pesquisas sobre o funcionamento cerebral. Essas pesquisas foram alavancadas pela aplicação de técnicas de neuroimagem cada vez mais precisas, as quais geraram um novo cenário nas ciências neurocognitivas. Os dados advindos desses estudos vêm sendo aos poucos confrontados com as bases teóricas até então vigentes, corroborando-as ou desafiando-as, de modo a motivar novas reflexões e fazendo avançar a ciência com dados do funcionamento cerebral in vivo. Várias são as técnicas de neuroimagem atualmente à disposição dos pesquisadores, cada qual com suas características. O presente artigo pretende destacar a aplicação de uma técnica emergente e promissora, a Espectrografia Funcional de Infravermelho Próximo (fNIRS, sigla em inglês), no estudo da cognição humana. As principais características da técnica, seu funcionamento, vantagens e limitações, bem como sua aplicação, especialmente em estudos linguísticos, serão aqui apresentados. As evidências trazidas pelos estudos desenvolvidos com fNIRS demonstram a validade da técnica na investigação de diversos aspectos da cognição humana. Além disso, verifica-se o surgimento de uma tendência à multimodalidade, por meio da aplicação concomitante de fNIRS e outras técnicas, como forma de corroborar os resultados e incrementar a análise de dados."
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".