本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
人類巧妙地從序列中解析統計數據。一些理論認為，人類透過形成認知圖或連結序列中項目的潛在空間的底層表示來學習這些統計數據。這裡，序列中的一個項目是一個節點，兩個項目之間轉移的機率是一條邊。然後可以透過遍歷潛在空間來產生序列，不同的空間會產生不同的序列統計資料。序列學習中的個體或群體差異可以透過改變建立轉移機率估計的時間尺度來建模，或者換句話說，透過改變時間折現量來建模。具有時間折扣的潛在空間模型與歐幾里德空間的導航模型相似。然而，歐幾里德空間導航的預測與人類序列學習期間的神經活動之間幾乎沒有建立明確的聯繫。在這裡，我們結合使用行為建模和顱內腦電圖（iEEG）記錄來研究神經活動如何在序列學習過程中透過時間折現來支持類空間認知圖的形成。具體來說，我們從順序反應時間任務中獲取人類反應時間，並擬合一個模型，該模型將時間折現量表示為單一自由參數。根據參數，我們計算每個人對潛在空間的估計。我們發現神經活動主要反映了顳葉的這些估計，包括涉及空間導航的區域。與空間導航類似，我們發現神經活動的低維表示可以輕鬆分離潛在空間中的重要特徵，例如模組。最後，我們利用 iEEG 資料的高時間解析度來確定學習潛在空間的時間尺度。我們發現學習通常發生在前 500 次試驗中，並受到潛在潛在空間和每位參與者的時間折現特徵量的調節。最終，這項工作提供了序列學習的行為模型和同一行為期間的神經活動之間的重要聯繫，並將這些結果置於更廣泛的領域通用認知圖框架內。