(2006) to improve confidence in rev

(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

ผลลัพธ์ (ไทย) 1:

(2006) เพื่อปรับปรุงความเชื่อมั่นในข้อย้อนกลับ ก่อนที่จะ เพิ่มวิธีของรูปแบบการเปิดใช้งานสำหรับกระบวนการทางปัญญาน่าสนใจ เน้นชุดเล็กภูมิภาคแทนเดียวขนาดใหญ่ภูมิภาคมีโอกาสที่จะปรับปรุงใว เนื่องจากเฉพาะการประมวลผลมากที่สุดอาจจะมีส่วนร่วมเครือข่ายทำงานที่เฉพาะเจาะจงและ subloops ภายในการ (Stiers et al. 2010) เป็นที่ชัดเจนว่า ข้อเสนอแนะนี้เป็นเต็มที่สุดพบกันในรูปแบบตัวแปรพหุการวิเคราะห์ การฝึกอบรมระบุความเหมาะสมจำนวนหน่วยที่เชิงพื้นที่เล็กที่สุดมีการเลือกตอบสนองต่อกระบวนการที่น่าสนใจ โดยไม่ต้องเลือก priori มีท้องอิงทฤษฎีสมมติฐาน แนะนำสองของ Poldrack ได้เพิ่มความน่าเป็นก่อนที่กระบวนการทางปัญญาที่น่าสนใจหมั้น โดยงานองค์ความรู้ที่ศึกษา — เช่น หากเรามั่นใจว่างานเกี่ยวกระบวนการความรู้ความเข้าใจ ความน่าเป็นก่อนเป็น 1.0 นี้เป็นภายใต้การควบคุมของ experimenter ที่ เราออกแบบงานเรียกคืนก่อที่นี่ใช้เป็นงานอ้างอิงในลักษณะที่ทันที และยาวนานระยะทดลองแตกต่างกันในแหล่งที่ระบบประสาท (ซ่อน) เท่านั้นtargetwordwas เรียก เป็นผล เราขยายไปที่กระบวนการเรียกว่าเนื้อหาหรือผล (ประสบความสำเร็จหรือไม่) และยืนยันการดำเนินการของพวกเขาในการตรวจสอบอย่างละเอียดการศึกษาการตีความทางเลือกของผลลัพธ์ที่อาจเป็นการจัดประเภทไม่สะท้อนความแตกต่างเฉพาะเรียก แต่เพียงการทั่วไปความแตกต่างระหว่างทดลองทันที และ ระยะยาว เช่นเป็นการความพยายามสูงอินสแตนซ์ในหลัง ไม่ไร univariate ผล หรือผลตัวแปรพหุการเห็นด้วยกับการตีความนี้ อย่างไรก็ตาม ในไร univariateผลการวิเคราะห์งานทั่วไปเกี่ยวข้องกับการกระจายปกติเปิดใช้งานและยกเลิกการเปิดใช้งานในความสนใจ/เสื่อมศีลธรรมต่อกัน และdefaultmode เครือข่าย ตามลำดับ (ดูตัวอย่างรูป 2A) การกระจายของ voxels ที่แตกต่างได้ทันที และ ระยะยาวแสดงเฉพาะจำนวนจำกัด overlapwith ทดลองเรียกคืนกิจกรรมนี้โดยทั่วไปรูปแบบ (รูปที่ 2C) นี้แสดงให้เห็นว่า เรียกเฉพาะผลการสังเกต นอกจากนี้ บางภูมิภาคที่แตกต่างอย่างที่แสดงให้เห็นผลในทิศทางตรงข้ามกับทิศทางของการสันนิษฐานทั่วไปผล (เช่น คลัสเตอร์ 3 ในรูป 5B – C) ในผลลัพธ์แบบหลายตัวแปรบนมืออื่น ๆ voxels ที่เอื้อต่อการจัดประเภทตกหลุมขนาดใหญ่ส่วนภายนอกภูมิภาคที่แสดงความแตกต่างระหว่างทันทีไร univariateและระยะยาวการทดลองเรียกคืน (รูป 4 แผงด้านซ้าย) นอกจากนี้ การจัดประเภทแม่นได้สูงที่คุณลักษณะซ้ำซ้ำทั้งหมดการตัดออก (รูปที่ 3B) และถึงแม้จะ ไม่ลดคุณสมบัติไร univariate(ภาพประกอบ S1A), บอกว่า ผลไม่ได้ขึ้นอยู่กับวิกฤตการย่อยเฉพาะของภูมิภาค นี้ได้รับการยืนยัน โดยเป็นการติดตามผลวิเคราะห์ MVPA ใน voxels ซึ่งทั้งหมดที่แสดงผลสำคัญไร univariateได้ถูกตัดออก (p b 0.001, uncorrected สำหรับเปรียบเทียบหลาย)จากเมทริกซ์คุณลักษณะ ให้ผลความแม่นการจัดประเภทการวิเคราะห์นี้เกือบเหมือนกับในการวิเคราะห์เดิม (ดูรูป S3)ในขณะที่รูปแบบตัวแปรพหุการวิเคราะห์ประสิทธิภาพในการถอดองค์ความรู้กระบวนการ การตีความแผนที่เชิงพื้นที่ของส่วนร่วมvoxels จะซับซ้อนน้อยกว่าในการวิเคราะห์ไร univariate ดั้งเดิม(Jimura และ Poldrack, 2012 Poldrack, 2011) ครั้งแรกของทั้งหมด farmore voxelsนำไปสู่การจำแนกมากกว่าที่จะคาดหวังจากตัวไร univariateแนวทางการ ทั้งนี้เนื่องจากความไวที่สูงกว่าวิธีแบบหลายตัวแปร(เช่น DeMartino et al. 2008 Haxby et al. 2001), แต่ ในการศึกษาของเรามันมักยังสะท้อนถึงความแตกต่างของแต่ละบุคคลในกลยุทธ์ ประการที่สองvoxels ที่ระบุว่าเป็นการเอื้อต่อการจัดประเภทไม่ได้ทุกvoxels ที่นำข้อมูลที่เกี่ยวข้อง นี้มันล้างจากความจริงที่ในซ้ำ ตัดหลากหลายซ้ำ การประมวลผลแต่ละด้วยชุดย่อยอื่นของ voxels ผลการจัดประเภทสูงแม่นประการที่สาม ว็อกเซลก่อให้เกิดการจัดหมวดหมู่ยังไม่บอกเรา

ผลลัพธ์ (ไทย) 2:

(2006) เพื่อปรับปรุงความเชื่อมั่นในการอนุมานแบบย้อนกลับ ครั้งแรกคือการเพิ่ม
การเลือกรูปแบบของการเปิดใช้งานสำหรับกระบวนการความรู้
ที่น่าสนใจ มุ่งเน้นไปที่ชุดของภูมิภาคที่มีขนาดเล็กแทนเดี่ยวขนาดใหญ่
ในภูมิภาคมีแนวโน้มที่จะปรับปรุงการคัดสรรเพราะกระบวนการเฉพาะเจาะจงมากที่สุด
อาจจะมีส่วนร่วมเครือข่ายการทำงานที่เฉพาะเจาะจงและ subloops ภายใน
พวกเขา (Stiers et al., 2010) เป็นที่ชัดเจนว่าคำแนะนำนี้เป็นที่สุดที่
พบในการวิเคราะห์รูปแบบหลายตัวแปร การฝึกอบรมที่ดีที่สุดระบุ
จำนวนหน่วยที่เล็กที่สุดอวกาศกับการตอบสนองต่อการเลือก
กระบวนการที่น่าสนใจโดยไม่จำเป็นต้องสำหรับการเลือกภูมิภาคเบื้องต้น
ตามสมมติฐานในทางทฤษฎี ข้อเสนอแนะที่สอง Poldrack ก็คือการ
เพิ่มความน่าจะเป็นก่อนว่ากระบวนการความรู้ที่น่าสนใจที่เป็นจริงที่
มีส่วนร่วมโดยงานองค์ความรู้การศึกษา - คือถ้าเรามั่นใจว่า
งานที่เข้าร่วมกระบวนการทางปัญญา, ความน่าจะเป็นก่อนเป็น 1.0 นี่คือ
ภายใต้การควบคุมของการทดลอง เราออกแบบงานที่เรียกคืนโจ่งแจ้ง
ใช้ที่นี่เป็นงานที่อ้างอิงในลักษณะที่ทันทีและยาวนาน
ทดลองระยะที่แตกต่างกันเฉพาะใน (ซ่อนไว้) ที่มาจากระบบประสาทที่
targetwordwas ดึง เป็นผลให้เราซูมในกระบวนการ
ของการดึงไม่คำนึงถึงเนื้อหาหรือผลของพวกเขา (จะประสบความสำเร็จ
หรือไม่) และได้รับการยืนยันการดำเนินการของพวกเขาในการตรวจสอบอย่างละเอียด
การศึกษา.
ในการตีความอย่างทางเลือกของผลของเราอาจเป็นไปได้ว่าการจัดหมวดหมู่
ไม่ได้สะท้อนให้เห็นถึงการดึง ความแตกต่างเฉพาะ แต่เพียงทั่วไป
ความแตกต่างระหว่างการทดลองทันทีและระยะยาวเช่น
ตัวอย่างเช่นความพยายามที่สูงขึ้นในระยะหลัง ทั้งผล univariate หรือ
ผลหลายตัวแปรเห็นด้วยกับการตีความนี้อย่างไร ใน univariate
การวิเคราะห์ผลกระทบงานทั่วไปที่เกี่ยวข้องกับการกระจายโดยทั่วไป
ของการเปิดใช้งานและ de-การเปิดใช้งานในความสนใจ / นูนและ
เครือข่าย defaultmode ตามลำดับ (ดูตัวอย่างรูป. 2A) การกระจาย
ของชุว่าความแตกต่างระหว่างทันทีและระยะยาว
การทดลองแสดงให้เห็นการเรียกคืนเพียงจำนวน จำกัด ของ overlapwith กิจกรรมนี้โดยทั่วไป
รูปแบบ (รูป. 2C) นี้แสดงให้เห็นว่าผลกระทบเฉพาะการดึงกำลัง
ถูกตั้งข้อสังเกต นอกจากนี้ยังมีพื้นที่บางส่วนที่แตกต่างแสดงให้เห็นผลกระทบ
ในทิศทางตรงข้ามกับทิศทางของการสันนิษฐานทั่วไป
ผล (เช่นคลัสเตอร์ 3 ในรูป. 5B-C) ในผลการหลายตัวแปร
ในมืออื่น ๆ , ชุเอื้อต่อการจำแนกขนาดใหญ่ตกอยู่ใน
ส่วนนอกของภูมิภาคที่แสดงให้เห็นความแตกต่างระหว่าง univariate ทันที
และระยะยาวการทดลองการเรียกคืน (รูปที่. 4 แผงด้านซ้าย) นอกจากนี้ยังมีการจัดหมวดหมู่
ความถูกต้องอยู่ในระดับสูงที่ซ้ำทั้งหมดของคุณลักษณะ recursive
กำจัด (รูป. 3B) และแม้จะไม่มีการลดคุณลักษณะ univariate
(รูป S1A) ชี้ให้เห็นว่าผลที่ได้คือไม่ได้วิกฤตขึ้นอยู่กับ
ระบบย่อยที่เฉพาะเจาะจงใด ๆ ของภูมิภาค นี้ได้รับการยืนยันจากการติดตาม
การวิเคราะห์ MVPA inwhich ชุทั้งหมดที่แสดงผล univariate อย่างมีนัยสำคัญ
(Pb 0.001 แก้ไขสำหรับการเปรียบเทียบหลาย) ได้ถูกตัดออก
จากเมทริกซ์คุณลักษณะ การวิเคราะห์นี้จะให้ผลการจำแนกประเภทความแม่นยำ
เกือบจะเหมือนกับผู้ที่อยู่ในการวิเคราะห์เดิม (ดูรูปที่ S3).
ในขณะที่การวิเคราะห์รูปแบบหลายตัวแปรมีประสิทธิภาพในการถอดรหัสความรู้ความเข้าใจ
กระบวนการการตีความหมายของแผนที่เชิงพื้นที่ของบริจาค
ชุตรงไปตรงมาน้อยกว่าในการวิเคราะห์ univariate แบบดั้งเดิม
(Jimura และ Poldrack 2012; Poldrack 2011) แรกของทุก farmore ชุ
มีส่วนร่วมในการจัดหมวดหมู่เกินกว่าจะคาดหวังจาก univariate
วิธี นี่คือสาเหตุที่ความไวแสงที่สูงขึ้นของวิธีการหลายตัวแปร
(เช่น DeMartino et al, 2008;. Haxby et al, 2001.) แต่ในการศึกษาของเรา
มันมีโอกาสมากที่สุดนอกจากนี้ยังสะท้อนให้เห็นถึงความแตกต่างของแต่ละบุคคลในการใช้กลยุทธ์ ประการที่สอง
ชุระบุว่าเป็นที่เอื้อต่อการจำแนกไม่ได้ทั้งหมด
ชุที่นำข้อมูลที่เกี่ยวข้อง นี้มันชัดเจนจากข้อเท็จจริงที่ว่า
ในกระบวนการกำจัด recursive ช่วงกว้างของการทำซ้ำแต่ละ
ที่มีระบบย่อยที่แตกต่างกันของชุยอมแพ้ความถูกต้องจำแนกสูง.
ประการที่สามที่ voxel ก่อให้เกิดการจำแนกประเภทยังไม่ได้บอกเรา

ผลลัพธ์ (ไทย) 3:

( 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