MRI účastníků
Dvacet čtyři pravák rodilými mluvčími francouzské mezi 22 a 39 let (průměr = 28.6 let; s.d. = 4.4) byly vyplaceny k účasti (11 mužů, 13 žen). Neměli hlášené neurologické, lékařské, zrakové nebo paměťové poruchy v anamnéze. Studie byla schválena regionální výzkum etického výboru (Comité de la Protection des Personnes Nord-Ouest III, sponzor ID: C13-46, RCB ID: 2014-A00126-41, clinicaltrial.gov registrační číslo: NCT02172677). Dva další účastníci byli také původně přijati pro nastavení a úpravu návrhu (ale nebyly analyzovány). Jeden účastník byl nahrazen bez dalších analýz kvůli důležitým artefaktům MRI, které brání analýze obrazu. Všichni účastníci dali písemný souhlas před účastí. Účastníci byli požádáni, aby konzumovali psychostimulanty, drogy nebo alkohol před nebo během experimentálního období. Žádné statistické metody byly použity k předem stanovit velikost vzorku, ale velikost vzorku v této studii (N = 24) je srovnatelná s předchozí fMRI studie pomocí RSA.
materiály a postup průzkumu památníku
podněty byly vybrány 119 obrázky z oblasti světové války, Totální válka v Caen Memorial Museum. Každý displej byl u Památníku vyfotografován pomocí profesionálního digitálního fotoaparátu a profesionálního osvětlení. Tyto obrázky byly poté upraveny pro kontrast a osvětlení a vnější obrys byl oříznut pomocí softwaru pro zpracování obrazu.
každý účastník prozkoumal Památník Na konci odpoledne, těsně před zavřením dveří památníku. To zajistilo, že ostatní návštěvníci nebudou rušit prohlídky účastníků. Účastníci byli nejprve uvedeny obecné pokyny o experimentu a jsou každý vybaven mobilním eye-tracking systému (Applied Science Laboratory), který se skládá z brýlí a malé skladovací zařízení připojené na brýle a provádí jako batoh. Tyto brýle byly namontovány s malou kamerou natáčení účastníka vizuální průzkum, který byl zaznamenán a vysílán na experimentátor notebooku. Přestože tyto údaje o sledování očí, které přesahují rámec aktuálního dokumentu, nepředkládáme, mohli bychom tedy sledovat průzkum účastníků, aniž bychom je následovali, a zajistit tak, aby dodržovali následující pokyny.
Účastníkům bylo řečeno, aby prozkoumala omezený prostor Památníku a dostali mapa popisuje prostorové uspořádání (viz Obr. 1a). Tento prostor obsahoval celkem 119 obrázků, každý s titulkem pod ním, a byl uspořádán podle 22 tematických zón (čísla zón jsou uvedena v kruzích na obr. 1a). Další dvě zóny byly zařazeny na samém začátku a na samém konci turné pro efekt aktuálnosti a primátu. Tyto výplňové zóny byly vždy stejné a jejich obrázky nebyly zahrnuty do následného experimentálního protokolu (a byly použity pouze pro výcvik a seznámení s následným úkolem vyvolání). Těchto 22 zón bylo seskupeno podle 6 hlavních sektorů (ilustrováno 6 hlavními barvami na pamětní mapě na obr. 1a). Pořadí průzkumu těchto hlavních sektorů bylo vyváženo mezi účastníky. Pořadí průzkumu zón v každém sektoru bylo také randomizováno podle 6 různých seznamů průzkumu (ke každému z těchto 6 seznamů byli přiděleni 4 účastníci). Každá zóna začala s úvodem rada popisující obsah zóny, že účastníci byli instruováni, aby si nejprve, než se vydáte zóny. Účastníci pak museli prozkoumat každý obrázek skládající zónu. Učinili tak tím, že první čtení titulek pod ním, a pak byl volný, aby prozkoumala obsah obrazu tak dlouho, jak si přáli před přechodem na další snímek, dokud nebudou dokončeny jejich turné, jehož průměrná délka 76 min (s.d. = 13.8). Všimněte si, že během tohoto vzpomínkového turné účastníci nevěděli, že jejich vzpomínky budou testovány další den.
Recall task
následující den účastníci provedli recall task, který byl rozdělen do tří fMRI relací, z nichž každá měla délku asi 10 minut. Každé sezení prezentovány krátké věty odpovídající na krátké úryvky, popisující skutečné druhé Světové Války obrázky, které měli účastníci zkoumali (to znamená, že cílové věty; průměrný počet slov = 7.8, s.d. = 2.4), nebo nebyly zkoumány (to je, distraktoru vět; průměrný počet slov = 7.7, s.d. = 2.1) den předtím. Celkem bylo účastníkům náhodně představeno 119 cílových vět a 63 distraktorových vět. Historické události spojené s distraktoru věty byly vybrány tak, aby odpovídala obrázky zobrazeny v Memorial z hlediska obsahu a relativní podíl fotografie na zóny. Země, ve které se událost konala, byla také zobrazena pod každou větou, stejně jako rok. Účastníci byli informováni o takových památek, mezi distraktoru a cílové věty, a proto důrazně doporučuje, aby se spoléhají na jejich schopnost plně vzpomenout a představit si související fotografie k provedení tohoto úkolu. Po nástupu každé věty cueing účastníci uvedli, zda si mohou vzpomenout na přidružený obrázek stisknutím Ano pravým ukazováčkem nebo ne pravým prostředníčkem. Věty se objevily na 4,5 s soustředěné na šedém pozadí. Pokusy byly prezentovány v stochastický móda podle Poissonova rozdělení (λ = 4) s 4.2 s průměrnou interstimulus interval (rozsah = 1-10 s) s 25% dodatečné null události a byly odděleny fixace kříž. Přesnost a výkony v úkolu odvolání jsou popsány v doplňkové tabulce 2.
Obrázek uspořádání úkol
Mimo skener, účastníci provádí obrázku uspořádání úkolu, který se používá jako proxy pro jednotlivé schémata, na 119 Pamětní obrázky. Obrazy musely být umístěny do 1 až 28 kruhů podle jejich historické blízkosti. Tento úkol uspořádání obrazu byl napsán v JavaScriptu vloženém do HTML kódu pro internetovou navigaci, což nabízí velkou flexibilitu při provádění úkolu: účastníci mohli přiblížit, nebo s pohybující se pozadí podobné Mapy Google, mohli by zvětšit obrázek kliknutím na něj (s Pamětní titulek pod), Památník titulky se objevil na mouseover, a účastníci mohli vybrat a přesunout více obrázků najednou. Obrázky byly zpočátku umístěny na velkém čtverci nad kruhy. Účastníci byli instruováni, aby přezkoumali každý obrázek a umístili je do kruhů níže, když procházeli každým z nich. Bylo jim řečeno, aby seskupili do stejného kruhu všechny obrázky, které považovali za popsané blízké nebo podobné historické události. Pokud cítili obrázky popsané odpojené události, byli instruováni, aby je umístili do různých kruhů. Účastníci měli možnost použít tolik kruhů, kolik chtěli, od jednoho kruhu po všechny kruhy dostupné na mapě. Pokyny zdůrazňovaly, že neexistuje absolutně žádný správný počet kruhů, které by měly být použity, a že mohou svobodně postupovat, jak si přejí. Účastníci byli také instruováni, aby věnovali pozornost vzdálenostem mezi kruhy a jejich relativním pozicím. Čím více soudili, že obrázky byly spojeny s připojenými nebo odpojenými událostmi, čím blíže nebo dále by měly být jejich relativní pozice v kruzích. Nakonec, když bylo hlavní uspořádání dokončeno pro všechny obrázky, účastníci museli upravit pozice obrázků v každém kruhu. Euklidovské vzdálenosti mezi pozicemi obrazu pak odrážely sémantickou organizaci daného jedince a mohly být zakódovány v RDM.
MR akvizice parametry
MRI údaje byly získány na 3 T Achieva skeneru (Philips) na zobrazování mozku Cyceron centrum v Caen. Všichni účastníci nejprve podstoupil vysokým rozlišením T1-vážené anatomické objem zobrazování pomocí tří-dimenzionální (3D) fast field echo (FFE) sekvence (3D-T1-FFE sagitální; TR = 20 ms, TE = 4.6 ms, flip angle = 10°, SMYSL faktor = 2, 180 plátky, plátek tloušťka = 1 mm, žádná mezera, zorné pole = 256 × 256 × 180 mm3, matrix = 256 × 130 × 180). Tato akvizice následovala funkční relace, které byly získány pomocí vzestupné T2-hvězdičkový hotel EPI sekvence (MS-T2-star-FFE-EPI axiální; TR = 2050 ms, TE = 30 ms, flip angle = 78°, 32 plátky, plátek tloušťka = 3 mm, 0,75 mm mezera, matrix = 64 × 63 × 32, zorné pole = 192 × 192 × 119 mm3, 310 svazků za běhu).
předzpracování MRI
Data byla analyzována pomocí statistického parametrického mapovacího softwaru (SPM12, Wellcome Department of Imaging Neuroscience). Během předzpracování byly obrazy nejprve prostorově upraveny tak, aby korigovaly pohyb, a poté byly korigovány na časové zpoždění akvizice řezu. Po koregistraci se strukturálním obrazem T1 byly funkční obrazy normalizovány pomocí parametrů odvozených z nelineární normalizace jednotlivých obrazů šedé hmoty T1 do šablony T1 Montrealského neurologického institutu. Všimněte si však, že pro RSA byly použity neoznačené a neuzavřené obrázky. Obraz normalizace bylo však potřeba počítat dopředu deformace pole a jeho inverze, normalizovat searchlight obrázky nebo zabalit zpět mPFC ROIs do nativního prostoru (viz níže), resp. Použití neuzavřených obrazů je pro RSA důležité, protože zachovává jemnozrnný prostorový vzor, který charakterizuje reprezentační geometrii oblasti.
analýza první úrovně
předzpracované časové řady, odpovídající obrazům nativního prostoru (tj. Regressors v obecný lineární model (GLM) pro každý voxel byly vytvořeny convolving delta funkce (modelována jako 4,5 s krátkou epochu) na podnět nástup pro každou podmínku zájmu s kanonickou hemodynamickou funkce odezvy (HRF). Byl použit samostatný přístup s nejmenšími čtverci50, 51, který spočíval v odhadu samostatného GLM pro každou studii. V každém GLM, soud zájmu byla modelována jako jeden regressor, a všechny další pokusy byly se zhroutil do pěti odlišných regressors odpovídající připomeňme si, slečno, falešné alarmy, opravy odmítnutí a žádná odpověď podmínek (viz Doplňková Tabulka 2 pro behaviorální vystoupení na odvolání úkol). Tento přístup byl povýšen na design s krátkými interstimulus intervalech, kdy je vysoká úroveň kolinearity mezi hemodynamické odpovědi na po sobě jdoucích trials51. Dalšími regresory, které nebyly zajímavé, bylo šest parametrů přeskupení, které zohledňovaly artefakty lineárního zbytkového pohybu. Autokorelace mezi zbytky GLM byla korigována pomocí autoregresivního procesu prvního řádu, což vedlo k předběleným datům po omezeném odhadu maximální věrohodnosti.
Oblasti zájmu
mPFC byl definován anatomicky pomocí Automatické Anatomické Označení atlas52 a byl rozdělen do vmPFC a dmPFC ROIs. Na dmPFC odpovídal na bilaterální čelní superior mediální gyrus Automatizovaného Anatomické Označení atlas (indexy 2601 a 2602). Na vmPFC maska zahrnuty do dvoustranných fronto-orbitální vnitřní závit (indexy 2611 a 2612), bilaterální rectus (indexy 2701 a 2702) a ventrální část (Z souřadnice nižší nebo rovna nule) dvoustranné přední cingulum (indexy 4001 a 4002). Tyto dvě Roi jsou znázorněny na obr. 3b. Tyto dva obrazy masky byly poté zabaleny zpět do nativního prostoru každého účastníka pomocí inverzní deformačního pole vypočteného během normalizačního procesu.
analýza reprezentativní podobnosti
kontrastní mapy jednotlivých vzpomínek byly poté vypočteny pro každý vzpomínaný obrázek a použity k výpočtu RDM v našich Roi. Pro každého jednotlivce a každé ROI, mozek RDMs byly vypočteny následovně: pro každý voxel, vektor aktivity napříč připomněl, fotky byla zlá-střed a měřítko, aby jeho standardní odchylka (z score); pak, pro každou dvojici obrázků, vzorce aktivity v dané ROI byly porovnány pomocí prostorové korelace, a odlišnost byla poté dána 1 mínus korelace. Na úrovni chování, jednotlivé RDM byly odvozeny z euklidovských vzdáleností mezi všemi možnými páry obrázků uspořádaných účastníky na dvourozměrném prostorovém uspořádání. Horní trojúhelníkové formy těchto mozku nebo chování RDMs pak byly extrahovány a ve srovnání s horní trojúhelníkové formy RDM modely popisující kolektivní schémata, sémantické vzdálenosti (odvozené z Wikipedie druhé Světové Války články; viz níže), kontextové prostorové vzdálenosti (Euclidean distances of the pictures‘ prostorové polohy) a časové vzdálenosti (Euclidean distances of the pictures‘ časové pořadí během Memorial průzkum). Tato srovnání mezi Brain / behaviorální a model RDM byla dosažena pomocí regresního modelu. Jak regresory, tak data byly zpočátku transformovány do pořadí, aby se otestovaly nelineární monotónní vztahy. Vzhledem k tomu, že kolektivní, sémantické (to je, Wikipedia) a kontextuální (to znamená, že prostorové a časové) model RDMs nejsou ortogonální a do určité míry překrývají, regresní model pomáhá objasnit unikátní rozptylu připadající na každý model prediktorů. Pro každého účastníka, tento regresní model byl zopakován pro každé téma zájem, a deset opakování tématu model a model regresní koeficient byl v průměru přes tyto iterací. Všechny regresní modely byly plné hodnosti, a variance inflační faktor byl menší než 1,5 pro každý regressor, potvrzující identifikovatelnost a účinnost našich modelů. Výsledky těchto regresních modelů, jsou uvedeny v hlavním textu, ale jsme také zprávu o výsledcích standardní Spearman je korelace testovány v izolaci, pro úplnost, v Obr. 3c a v doplňkové tabulce 1 pro statistické testy. Do analýzy vzorců aktivity byly zahrnuty pouze položky, které byly správně vyvolány. Na úrovni skupiny závěry byly provedeny pomocí neparametrické náhodné účinky statistiky k testování pro oba RDM příbuznosti a rozdíly tím, že bootstrapping předmětem set s 5000 iterations28. Pro každý model RDM nebo každý pár kontrastoval model RDMs, jsme neměli předpoklady o základní rozdělení a provádí non-parametrických náhodných efektů statistických testů pomocí bootstrappingu přístup. Provedli jsme průměrné srovnání u každé sady bootstrap a odhadli jsme hodnotu P jako podíl vzorků bootstrap dále v ocasech než nula. Očekávané proporce chybám typu I napříč různými testy obou RDM model příbuznosti a model srovnání byly řízené pomocí FDR korekce, s požadovanou FDR q = 0.05 a za předpokladu, že pozitivní závislost mezi conditions34[,53. Pro test příbuznosti RDM modelu byla vypočtena očekávaná FDR pomocí všech nekorigovaných jednoocasých P hodnot testovaných modelů. Pro test RDM model srovnání, jsme omezené korekce na naše hlavní hypotéza a pouze zahrnuty srovnání zahrnující kolektivní paměti RDM (s ohledem na ostatní referenční modely) pro výpočet očekávané FDR, pomocí two-tailed P hodnoty. Uvádíme upravené hodnoty P a pomocí iterací bootstrapingu určíme 95% percentil CIs. Hlukový strop uvedený na obr. 3c odráží korelaci mezi účastníky RDM mozku. Tato korelace byla vypočtena pro každého účastníka jako korelace mezi RDM mozku tohoto účastníka a průměrným RDM mozku zbývajících účastníků34. Hlukový strop znázorněný na obr. 3c odpovídá průměru těchto jednotlivých korelací.
Reflektor analýzy
Ok bílé hmoty a pial plochy kůry byly rekonstruovány z T1 vážených obrazů shromážděných pro každého účastníka pomocí Freesurfer softwarový balík verze 554,55. Použili jsme rsa_defineSearchlight MATLAB funkce z RSA toolbox34 (https://github.com/rsagroup/rsatoolbox), který také spoléhá na Surfování toolbox functions56 (https://github.com/nno/surfing), chcete-li definovat plošný reflektor na obou polokoulích (pomocí 40-voxel reflektor s poloměrem 10 mm). Voxelů v okolí jednoho nebo více uzlů na povrchu byly vybrány pomocí geodetických měření vzdálenosti a vytvoření virtuální linky, která spojovala odpovídající uzly na pial a bílé hmoty plochy. Tento postup vytváří reflektor po zakřivení povrchu, čímž se snižuje prostorové zkreslení během analýzy vzorců fMRI. Na rozdíl od čtvrtí definovaných volumetricky, to mělo za následek sousedství se zakřiveným válcovým tvarem, které následovalo obrysy sulci a gyri každého jednotlivce. Jednou reflektor strukturu pro každý vrchol byla postavena a namapované na funkční image space, vzory připomenout aktivity na každý voxel skládání reflektor byl na mysli-střed a měřítko, aby jejich směrodatné odchylky před computing odlišnosti struktury (1 minus prostorové korelace) přes všechny párové srovnání připomenout vzory. Horní trojúhelníkové formy těchto RDM searchlight byly poté extrahovány, transformovány a porovnány pomocí regresního modelu s horní trojúhelníkovou formou všech RDM modelů (kolektivní, sémantické a kontextové). Výsledek této analýzy searchlight vytvořil beta mapu, svazek, ve kterém každý voxel obsahuje statistiku pro searchlight soustředěný na tento voxel. Tyto první-úroveň beta mapy pro každý model byly normalizovány Montrealského Neurologického Institutu T1 šablony a vyhlazené pomocí 10 mm plná šířka v polovině maximální Gaussova jádra. Tyto beta mapy účastníků ve standardním prostoru byly předloženy neparametrické analýze náhodných efektů druhé úrovně ve verzi FSL 5.0.1157. Pro správnou mnohonásobnému porovnávání na úrovni skupiny beta mapa byla předložena maximální permutace testování pomocí mezní hodnota-zdarma clusteru enhancement58 (TFCE), který nabízí dobrý kompromis mezi příliš citlivé clusteru na základě prahování a příliš konzervativní celého mozku, voxel založené na korekci. Test RDM model příbuznosti a rozdíly, TFCE mapy pak byly opraveny (Pcorrected < 0.05) pro rodinu-wise error rate pomocí standardních permutační testy prováděny v FSL s randomize funkce (10,000 permutací). Výsledky analýzy searchlight jsou uvedeny v rozšířených datech Obr. 1.
Kolektivní paměti corpus popis a analýzu
korpusu byly shromážděny do MATRICE projektu (http://www.matricememory.fr/?lang=en), multidisciplinární a technologické platformy, jejichž cílem je poskytnout nástroje a technologické a teoretické pozadí k pochopení vztahu mezi kolektivní a individuální pamětí. Audio-vizuální klipy zpočátku skládání korpusu byly uloženy v Národní Audiovizuální Institut, jeden z hlavních partnerů MATRICE projektu a veřejné institut, jehož cílem je archivovat vše, audio-vizuální produkce vysílání francouzské televize nebo rádio. Pro tuto studii jsme zařadili v našem korpusu všech televizních zpravodajství a zprávy (ne včetně rozhlasové pořady nebo dokumentární filmy) vysílání od roku 1980 do roku 2010 s druhé Světové Války jako společné téma, což vedlo k celkem 3,766 dokumenty. Zaměřujeme se na toto konkrétní časové období ze tří důvodů. Za prvé, 1980 až 2010 se do značné míry překrývá s životností našich účastníků. Za druhé, toto období odpovídá vytvoření nového vyprávění pro francouzskou kolektivní paměť (tedy nového „Régime of Mémorialité“59). To zahrnovalo vznik a potvrzení o Šoa paměti, stejně jako velkých studií potvrzující účast francouzského státu a jeho obyvatel, a jejich zástupci v době (například, Bousquet, Leguay, Touvier a Papon), v deportace a zabíjení Židů. Za třetí, díky pokrokům v automatickém rozpoznávání řeči a dostupnost elektronických textů, s nimiž soudobé jazykové modely byly postaveny zpracovávat údaje zaznamenané po roce 1980, 3,766 audio soubory jsou převedeny do formátu XML pomocí řeči na text konverze algoritmy vyvinuté Laboratoire d ‚ Informatique pour la Mécanique et les Sciences de l’Ingénieur (LIMSI; technické Vědy a Vědy Počítačové Laboratoře), jeden z hlavních partnerů MATRICE projektu.
Jakmile se převede na text, náš korpus byl původně ručně zpracované zrušit segmentů není vztahující se k druhé Světové Válce (výhradně vedení sekce věnující se tomuto tématu). Během této operace byly automatické přepisy řeči na text dodatečně opraveny lidským čtenářem. Po tomto počátečním předzpracování byl pro každý dokument extrahován samostatný soubor XML. Tyto soubory jsou pak zpracovány s textovou metody analýzy dat pomocí TXM software60 (http://textometrie.ens-lyon.fr/) spojen s TreeTagger morfosyntaktické analyser61 (http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/). TXM umožňuje uživateli komentovat každou instanci aplikace word (to je, token) do jeho odpovídající lemma (kanonické podobě sady slov) a přistoupit k morfosyntaktické označování každého slova v korpusu. Korpus pak lze prozkoumat pomocí požadavků Corpus Query Language (CQL) pro označení a načtení konkrétních gramatických kategorií, formulářů, lemmat nebo jakékoli informace připojené ke slovu. Seznam požadavků CQL byl nejprve automaticky vygenerován pro každé podstatné jméno, sloveso nebo adjektivum lemma v korpusu. Vzácná lemmata (méně než deset výskytů), stop slova a běžná slovesa (například “ be “ a „have“) byly v procesu odstraněny a nebyly zahrnuty do následných analýz. Například, tento algoritmus by jít přes corpus a vyrábět unikátní CQL dotazu (například, (lemma = „boj“%c)) odpovídající instance sloveso „bojovat“ v korpusu (to je, „boj“, „bojovali“ či „bojují“). %C modifikátor zahrnuty v této žádosti se používá k neutralizaci znaku případě asimilovali lemma formy (to je, „boj“, „Boj“ či „BOJ“). Tímto způsobem byl automaticky vygenerován počáteční seznam asi 6 500 požadavků CQL. Tento seznam byl ručně zkontrolován, aby odstranit CQL žádosti produkován nesprávné transkripce, občas group určitých požadavků v rámci jednoho subjektu (například, (lemma = „drama“%c)|(lemma = „dramatické“%c)), sloučit bigrams, v případě potřeby (například, (lemma = „hlavní“%c)()?(lemma = „stát“%c) pro „šéf státu“), nebo nastavit na různé pravopisné formy (například, (lemma = „Gorbatchev“%c)|(lemma = „Gorbatchov“%c)). Po této počáteční kontrola a seřízení, celkem 6,240 žádosti zůstal shrnout 1,431,790 žetony skládání textů našeho korpusu.
frekvenční matice dokumentu lemma x počítající počet výskytů byla extrahována a předložena Lda analýze provedené pomocí nástroje Machine Learning for LanguagE Toolkit (MALLET; http://mallet.cs.umass.edu/topics.php). Tematické modely26, 29, 30 se domnívají, že dokumenty jsou generovány směsmi témat. V této souvislosti téma odpovídá rozdělení pravděpodobností na všechna slova přítomná ve všech dokumentech (jak je pravděpodobné, že dané slovo bude spojeno s tématem). Z tohoto pohledu lze dokument vygenerovat přiřazením rozdělení pravděpodobnosti nad témata. Pro každou instanci v dokumentu je téma vybráno v závislosti na jeho předchozím rozložení pravděpodobnosti tématu a z tohoto tématu je čerpáno slovo. MALLET používá Gibbsův vzorkovací algoritmus k inverzi tohoto procesu, odvozovat sadu témat, která byla zodpovědná za generování sbírky dokumentů a jejich pravděpodobnosti nad slovy.
nejprve jsme trénovali tematické modely na korpusu zpravodajských bulletinů a zpráv z druhé světové války pomocí tematického motoru MALLET train (viz rozšířená Data obr. 2 pro ilustraci témat vytvořených touto technikou). Jsme pestrá počet témat povolen od 2 do 100, v krocích po 1, nastavení alfa parametr 50/N témata a začíná beta parametr 0,1 (jak je navrženo v jiných pracích modelování velkého korpusu textů pro sémantický purposes62). Pro každý počet témat jsme použili 500 iterací k odhadu pravděpodobnosti tématu slov a dokumentů. Poté jsme použili nástroj MALLET inferencer, abychom přizpůsobili model LDA pamětním obrázkům a odhadli jejich pravděpodobnosti tématu. Za tímto účelem, každý obraz byla zpracována jako nový dokument a označená klíčová slova (také lemmatizovány), které byly přímo odvozeny od Památníku popisky pod obrázky. K popisu pamětních obrazů bylo použito celkem 449 lemmat. Z těchto lemmat bylo 428 také nalezeno v seznamu 6 240 lemmat popisujících korpus zpravodajských bulletinů a zpráv. Téma inferenční proces tak vedl k distribuční matici pravděpodobnosti 119 obrázků x n témat, popisující zadní pravděpodobnost tématu daného obrazu.
119 obrázek x 119 obrázek RDM byl pak vypočítán pro každý počet se odhaduje témata pomocí vzdálenosti mezi distribucí téma pravděpodobnosti pro každou dvojici obrázků (na základě zde na kosinové vzdálenosti, který poskytuje symetrické měření podobnosti mezi dvěma tématu vektory). Nicméně, vzhledem k náhodnosti, že Gibbsova vzorkování algoritmus může zavést během parametr odhad, jsme znovu celý proces desetkrát, což vede k 3D 119 obrázek x 119 obrázek x 10 opakování RDM pro každý počet se odhaduje témata. Měření podobnosti mezi mozkem nebo chování RDMs a kolektivní RDMs (beta koeficienty regresní model nebo Spearman korelačního koeficientů) byly v průměru přes deset opakování tématu modelování. Shrnout celý proces, pro daný počet témat: (1) jsme trénovali téma model na francouzské televizní zpravodajství a zprávy corpus; (2) jsme vešly toto téma model do Pamětní obrázky a jejich popisky, léčení každý obrázek jako nový dokument; (3) 119 obrázek x N téma matice, popisující posteriorní pravděpodobnost téma, vzhledem k obrázku, byla extrahována a transformována na 119 × 119 RDM; a (4) tento proces byl zopakován desetkrát, a pro každé téma číslo, průměrná podobnost s mozku nebo chování RDMs byl vypočítán po těch deseti případech.
Ověření kolektivní paměti modelu a výběr tématu číslo
Jsme se snažili kvantifikovat strukturu sdílené reprezentace napříč jednotlivci a porovnání těchto sdílených schémat s naší kolektivní paměti modelu. Tento postup by nám také umožnil nezávisle vybrat optimální počet témat pro popis kolektivní struktury obrázků, která nejlépe odpovídá sdílené paměti. Za tímto účelem, 54 rodilými mluvčími francouzské (23 mužů, 31 žen) mezi 20 a 39 let (průměr = 27.3 let; s.d. = 5.6) provádí obrazu uspořádání úkol. Tento úkol byl proveden na stejné 119 Pamětní obrázky, ale na rozdíl od našich MRI účastníků, kteří navštívili Pamětní den předtím, tato nová účastníci byli zcela obeznámeni s Memorial. Z euklidovských vzdáleností mezi obrazy jsme odvodili 54 jednotlivých RDM. Poté jsme provedli DISTATIS33, abychom zachytili sdílenou strukturu reprezentací napříč těmito kontrolními jednotlivci. DISTATIS je ideální pro výpočet nejlepší dohody nebo kompromisu napříč několika maticemi vzdálenosti. Implementaci DISTATIS v Matlabu lze nalézt na https://www.utdallas.edu/~herve/, ale ve stručnosti: (1) každý z 54 RDMs byl nejprve transformován do křížové produktové matice po dvojitém centrování a normalizaci na své první vlastní číslo; (2) cosinus podobnost struktury všechny párové srovnání 54 normalizované cross-výrobek matice byla vypočítána pomocí RV koeficient; (3) RV koeficient matice popisující vztahy mezi RDMs byl předložen eigen-rozklad, a kompromis matice odpovídal součtu normalizované cross-výrobek matice vážených podle jejich první vlastní číslo; (4) eigen-rozklad kompromis vyrábí faktor skóre, které popisuje pozici každého z 119 obrázků v N-dimenzionální prostor kompromis; a (5) vzdálenost korelační matice těchto multidimenzionální kompromis prostory pak odpovídal na nejlepší dohody napříč všemi 54 jednotlivé RDMs odvozen od chování obrázek uspořádání úkol. Tuto korelační matici vzdálenosti lze považovat za sdílené schéma odrážející společnou sémantickou organizaci mezi jednotlivci. Kolektivní RDM extrahované z korpusu televizních zpravodajských bulletinů a zpráv byly podobné struktuře sdílené paměti měřené u kontrolních jedinců (obr. 2c). Tato podobnost mezi kolektivní a sdílenou pamětí byla zprůměrována zásobníky pěti témat, a dosáhl svého maxima, když bylo během objevování témat zahrnuto šest až deset témat. Jako výsledek, všechny následné analýzy zahrnující kolektivní nebo sémantické paměti se provádí pomocí šesti do deseti témat (a opatření podobnosti mezi mozkem nebo chování RDMs a kolektivní nebo sémantické RDMs byli v průměru v tomto vybraný počet témat).
Výstavba ovládání modelu z II. Světové Války sémantické domény
Jsme použili francouzské Wikipedie články odkazující k druhé Světové Válce jako referenční model z konkrétní sémantické vztahy mezi slovy vztahující se k druhé Světové Válce, a cvičil téma model, který jsme pak vešly do Pamětní obrázky. Tento korpus (http://redac.univ-tlse2.fr/corpus/wikipedia.html) součástí 664,982 články upravovat až do června 2008, mezi které 2,643 články byly speciálně týkající se druhé Světové Války, a byl dříve extrahované z výpisu francouzské verzi Wikipedie články (http://dumps.wikimedia.org/) a zpracované pomocí stejné morfosyntaktické značkování tool61 používá ke zpracování našeho korpusu francouzské televizní zpravodajství o druhé Světové Válce. Jednou jsme měli importované corpus do TXM, jsme aplikovali přesně stejné metody analýzy, které jsme dříve používali pro konstrukci modelu kolektivní paměti (viz Kolektivní paměti corpus popis a analýza).
souhrn hlášení
další informace o návrhu výzkumu jsou k dispozici v souhrnu zpráv o výzkumu přírody, který je spojen s tímto článkem.