Het gebruik van magnetoencefalografie als hersenbeeldvormingstechniek voor het bestuderen van neurale processen bij ontwikkelingsstotteren
Bibliographic record
Abstract
Hersenbeeldvormingsonderzoek heeft belangrijke functionele en structurele verschillen tussen de hersenen van mensen die stotteren en typisch vloeiende sprekers onthuld. Deze verschillen hebben onderzoekers toegestaan om het ontstaan en de ontwikkeling van stotteren bij kinderen en volwassenen beter te begrijpen. Echter, tot voor kort was het voor hersenonderzoekers moeilijk, zo niet onmogelijk, om neurale processen tijdens de planning en productie van individuele gestotterde of vloeiend gesproken woorden te onderzoeken. Een relatieve nieuwe hersenbeeldvormingstechniek, magnetoencefalografie (MEG), biedt onderzoekers nu de mogelijkheid om subtiele modulaties in neurale processen op het milliseconde niveau te analyseren terwijl een spreker zich voorbereidt op het zeggen van een individueel woord. In dit artikel introduceren we MEG en de wijze waarop het gebruikt kan worden om spraak te bestuderen, gevolgd door een discussie van enkele recente bevindingen omtrent stotteren. Vervolgens illustreren we het gebruik van MEG voor de studie van vloeiende en gestotterde spraakproductie met behulp van voorlopige resultaten van twee recente studies uitgevoerd bij onze onderzoeksgroep. In de eerste studie onderzochten we het tijdsverloop van neurale activatie tijdens zowel een spreek- als een non-spreek (knopdruk) taak. De resultaten onthulden vergelijkbare resultaten voor de spreek- en non-spreekktaken, en lieten zien hoe taakcomplexiteit neurale verwerking kan beïnvloeden. Studie 2 rapporteert resultaten van een studie die stotterende en niet-stotterende sprekers vergeleek tijdens spraakproductie. De resultaten suggereerden dat verschillen in de betrokkenheid van de motorcortex kunnen worden getimed om samen te vallen met spraakplanning voorafgaand aan bewegingsinitiatie. Dergelijk onderzoek toont aan dat MEG veelbelovend is om ons begrip te bevorderen van neurale triggers die geassocieerd worden met het optreden van stotteren in spraak. De bevindingen kunnen klinisch onderzoekers in staat stellen om te zoeken naar manieren om klinische interventie aan te passen teneinde de rol van dergelijke triggers te minimaliseren of te voorkomen.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.004 |
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".