(2006) to improve confidence in reverse inference. The first is to increase
the selectivity of the activation pattern for the cognitive process
of interest. Focusing on sets of smaller regions instead of a single large
region is likely to improve selectivity, because specific processes most
probably engage specific functional networks and subloops within
them (Stiers et al., 2010). It is clear that this suggestion is maximally
met in multivariate pattern analysis. The training identifies an optimal
number of the smallest spatial units with a selective response towards
the processes of interest, without the need for a priori region selection
based on theoretical assumptions. Poldrack's second suggestion was to
increase the prior probability that the cognitive process of interest is actually
engaged by the cognitive task studied — i.e., if we are certain that
the task engages the cognitive process, the prior probability is 1.0. This is
under control of the experimenter. We designed the overt recall task
used here as reference task in such a way that the immediate and long
term trials only differed in the (hidden) neural source from where the
targetwordwas retrieved. As a consequence,we zoomed in on the processes
of retrieval regardless of their content or outcome (being successful
or not) and confirmed their operation in a thorough validation
study.
An alternative interpretation of our results might be that the classification
doesn't reflect retrieval specific differences, but merely a generalized
difference between immediate and long term trials, such as for
instance higher effort in the latter. Neither the univariate results, nor
the multivariate results agree with this interpretation, however. In univariate
analyses task-general effects are associated with a typical distribution
of activations and de-activations in the attention/salience and
defaultmode network, respectively (see for instance Fig. 2A). The distribution
of voxels that differentiate between immediate and long term
recall trials shows only a limited amount of overlapwith this typical activity
pattern (Fig. 2C). This suggests that retrieval specific effects are
being observed. Moreover, some differentiating regions showed effects
in the direction opposite to the direction of the presumed generalized
effect (for instance, cluster 3 in Fig. 5B–C). In the multivariate results,
on the other hand, voxels contributing to the classification fell in large
part outside of the regions showing a univariate difference between immediate
and long term recall trials (Fig. 4, left panel). Moreover, classification
accuracies were high at all iterations of recursive feature
elimination (Fig. 3B) and even without univariate feature reduction
(Figure S1A), suggesting that the result is not critically dependent on
any specific subset of regions. This was confirmed by a follow-up
MVPA analysis inwhich all voxels showing a significant univariate effect
(p b 0.001, uncorrected for multiple comparisons) had been eliminated
from the feature matrix. This analysis yielded classification accuracies
nearly identical to those in the original analysis (see Figure S3).
While multivariate pattern analysis was effective in decoding cognitive
processes, the interpretation of the spatial map of contributing
voxels is less straightforward than in a traditional univariate analysis
(Jimura and Poldrack, 2012; Poldrack, 2011). First of all, farmore voxels
contribute to the classification than would be expected from a univariate
approach. This is due to the higher sensitivity of the multivariate approach
(e.g., DeMartino et al., 2008; Haxby et al., 2001), but in our study
it most likely also reflects individual differences in strategy. Secondly,
the voxels identified as contributing to a classification are not all the
voxels that carry relevant information. This it clear from the fact that
in the recursive elimination process a wide range of iterations, each
with a different subset of voxels, yielded high classification accuracies.
Thirdly, that a voxel contributes to classification still doesn't tell us
( 2006 ) เพื่อปรับปรุงความเชื่อมั่นในการย้อนกลับการอนุมาน แรกคือการเพิ่มการเลือกเกิดของแบบแผนวิธีการกระตุ้นกระบวนการทางปัญญาที่น่าสนใจ เน้นชุดภูมิภาคขนาดเล็กที่มีขนาดใหญ่เพียงครั้งเดียวภูมิภาคมีแนวโน้มที่จะปรับปรุงการ เพราะกระบวนการที่เฉพาะเจาะจงมากที่สุดอาจจะเข้าร่วมเครือข่ายการทำงานที่เฉพาะเจาะจงและ subloops ภายในพวกเขา ตียส์ et al . , 2010 ) เป็นที่ชัดเจนว่าข้อเสนอนี้คือที่สุดพบกันในรูปแบบการวิเคราะห์หลายตัวแปร การระบุที่เหมาะสมจำนวนหน่วยที่เล็กที่สุด มีการตอบสนองต่อพื้นที่กระบวนการที่น่าสนใจ โดยไม่ต้องเลือกระหว่างภูมิภาคขึ้นอยู่กับสมมติฐานทางทฤษฎี ข้อเสนอที่สองของ poldrack คือเพิ่มก่อนน่าจะเป็นที่กระบวนการทางปัญญาที่น่าสนใจจริง ๆร่วมด้วยงานศึกษาทางปัญญา คือ ถ้าเรามั่นใจว่างานเกี่ยวกระบวนการรับรู้ ความน่าจะเป็นก่อนเป็น 1.0 นี้คือภายใต้การควบคุมของการทดลอง . เราออกแบบงานจำได้ชัดเจนใช้เป็นงานอ้างอิงในลักษณะที่ทันทีและนานการทดลองในระยะที่ต่างกันเท่านั้น ( ซ่อน ) ประสาทที่มาจากที่ไหนtargetwordwas ดึง เป็นผลให้เราซูมไปที่กระบวนการการค้นคืนโดยไม่คำนึงถึงเนื้อหา หรือผลของการประสบความสำเร็จหรือไม่ ) และยืนยันการดำเนินงานของพวกเขาในการตรวจสอบอย่างละเอียดการศึกษาทางเลือกในการตีความผลลัพธ์ของเราอาจจะมีหมวดหมู่ไม่ได้สะท้อนให้เห็นถึงความแตกต่าง โดยเฉพาะการดึง แต่แค่ทั่วไปความแตกต่างระหว่างการทดลองทันทีและในระยะยาว เช่นอินสแตนซ์สูงขึ้น ความพยายามในหลัง ทั้ง 2 ผล หรือผลลัพธ์ multivariate เห็นด้วยกับการตีความนี้อย่างไร ในกลุ่มวิเคราะห์ผลทั่วไป งานที่เกี่ยวข้องกับการกระจายทั่วไปของกิจกรรมและ de จนกระทั่งความสนใจ / ความเด่น และเครือข่าย defaultmode ตามลำดับ ( เห็นตัวอย่างรูปที่ 2A ) การกระจายของที่ความแตกต่างระหว่าง voxels ในทันทีและในระยะยาวนึกถึงการทดลองแสดงเพียงจำนวน จำกัด ของ overlapwith กิจกรรมทั่วไปนี้รูปแบบ ( ภาพที่ 2 ) นี้แสดงให้เห็นว่าผลการสืบค้นมีเฉพาะไม่เป็นที่สังเกต นอกจากนี้ ผล ความแตกต่างระหว่างภูมิภาคในทิศทางที่ตรงข้ามกับทิศทางของสถานการณ์ทั่วไปผล เช่น กลุ่มที่ 3 ในมะเดื่อ 5B ( C ) ในผลลัพธ์ของหลายตัวแปร ,บนมืออื่น ๆ , voxels เกิดการล้ม ในขนาดใหญ่ส่วนด้านนอกของภูมิภาคแสดงความแตกต่างระหว่างทั้งสองทันทีและการทดลองจำระยะยาว ( รูปที่ 4 , แผงด้านซ้าย ) นอกจากนี้ การจัดหมวดหมู่ความถูกต้องสูงที่รอบผลคุณลักษณะการตัด ( รูปที่ 3B ) และแม้ไม่มีการรักษาคุณลักษณะ( รูป s1a ) แนะนำว่า ผลที่ได้คือไม่วิกฤตขึ้นอยู่กับมีบางส่วนที่เฉพาะเจาะจงของภูมิภาค นี้ได้รับการยืนยันโดยติดตามการวิเคราะห์ mvpa ที่มีทั้งหมด 2 voxels แสดงผล( P B 0.001 , uncorrected สำหรับการเปรียบเทียบพหุ ) ได้รับการตัดออกจากลักษณะเมทริกซ์ การวิเคราะห์นี้ให้ผลการจำแนกความถูกต้องเกือบเหมือนในการวิเคราะห์ต้นฉบับ ( ดูรูป S3 )ในขณะที่รูปแบบการวิเคราะห์หลายตัวแปร ประสิทธิภาพในการรับรู้กระบวนการการแปลความหมายของแผนที่เชิงพื้นที่สนับสนุนvoxels ตรงไปตรงมาน้อยกว่าในการวิเคราะห์ประชากรแบบดั้งเดิม( jimura และ poldrack , 2012 ; poldrack , 2011 ) ครั้งแรกของทั้งหมด farmore voxelsสนับสนุนประเภทกว่าจะถูกคาดหวังจากการรักษาวิธีการ นี้เป็นเพราะความไวของวิธีการแบบสูง( เช่น demartino et al . , 2008 ; haxby et al . , 2001 ) แต่ในการศึกษาของเรามันส่วนใหญ่ยังสะท้อนให้เห็นถึงความแตกต่างในแต่ละกลยุทธ์ ประการที่สองการ voxels ระบุสาเหตุการไม่ทั้งหมดvoxels ที่มีข้อมูลที่เกี่ยวข้อง นี้มันชัดเจนจากความจริงที่ว่าในการขจัดกระบวนการ วิธีการที่หลากหลายของการทำซ้ำแต่ละกับชุดย่อยต่าง ๆ ของ voxels ให้ผลการจำแนก , ความถูกต้องสูงประการที่สามที่ว็อกเซลก่อให้เกิดการจำแนกยังไม่ได้บอกเรา
การแปล กรุณารอสักครู่..
![](//thimg.ilovetranslation.com/pic/loading_3.gif?v=b9814dd30c1d7c59_8619)