Bibliographic record
Abstract
Les réponses neuronales aux battements cardiaques pendant les choix subjectifs chez l'homme Décider selon nos préférences implique d’évaluer subjectivement des options, c'est-à-dire de déterminer ce que ces options valent pour soi-même. En d’autres termes, il faut mettre en lien chaque option avec une certaine représentation de soi-même. Dans ma thèse, j’ai montré comment le suivi cérébral des signaux physiologiques, la forme plus simple de représentation de soi, contribue à l’évaluation subjective, même pour des choix qui ne comportent aucune conséquence physiologique. Dans ma première expérience, j’ai montré comment les réponses neuronales aux battements cardiaques, un index du suivi cortical de l’activité cardiaque, sont liées au processus de référence à soi impliqué pendant les choix basés sur des préférences et comment elles influencent l’évaluation subjective au niveau neural et comportemental. Dans ma deuxième expérience, j’ai montré que les réponses aux battements cardiaques permettent aussi la mise en place d’un référentiel commun qui rend possible la comparaison d’options caractérisées par des attributs très différents en déterminant la précision des choix. Les changements d’excitabilité corticale, d’état d’éveil et des paramètres cardiaques ne peuvent pas expliquer ces résultats. En conclusion, dans ma thèse, j’ai montré comment deux caractéristiques centrales des décisions selon les préférences, leur nature subjective et l’habileté de comparer des options très différentes, reposent sur le même phénomène neural : la référence à soi à travers les réponses neurales aux battements cardiaques.
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 | 0.000 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".