MRI résztvevők
huszonnégy jobbkezes francia anyanyelvű között 22 és 39 éves (átlag = 28,6 év; s.d. = 4,4) fizettek, hogy részt (11 férfi, 13 nő). Nem jelentettek neurológiai, orvosi, látási vagy memóriazavarokat. A tanulmányt a regionális kutatási Etikai Bizottság hagyta jóvá (Nord-Ouest III. számú Védelmi Bizottság, szponzor azonosító: C13-46, RCB azonosító: 2014-A00126-41, clinicaltrial.gov nyilvántartási szám: NCT02172677). Kezdetben két további résztvevőt is felvettek a tervezés beállítására és beállítására (de nem elemezték). Az egyik résztvevőt további elemzések nélkül helyettesítették a képelemzést megakadályozó fontos MRI-leletek miatt. Minden résztvevő írásbeli hozzájárulást adott a részvétel előtt. A résztvevőket arra kérték, hogy ne fogyasszanak pszichostimulánsokat, drogokat vagy alkoholt a kísérleti időszak előtt vagy alatt. A minta méretének előzetes meghatározására nem alkalmaztak statisztikai módszereket, de az ebben a vizsgálatban alkalmazott mintaméret (N = 24) összehasonlítható a korábbi fMRI vizsgálatokéval RSA.
anyagok és Emlékfeltárási eljárás
az ingerek voltak 119 képek kiválasztott terület világháború, Total War a Caen Memorial Museum. Az emlékműnél minden kiállítást professzionális digitális fényképezőgéppel és professzionális világítással fényképeztek. Ezeket a képeket ezután a kontraszthoz és a megvilágításhoz igazították, és a külső kontúrt képfeldolgozó szoftver segítségével levágták.
minden résztvevő feltárta az emlékművet a délután végén, közvetlenül az Emlékajtó bezárása előtt. Ez biztosította, hogy más látogatók ne zavarják a résztvevők túráit. A résztvevők először általános utasításokat kaptak a kísérletről, és mindegyiküket felszerelték egy mobil szemkövető rendszerrel (Applied Science Laboratory), amely szemüvegből és egy kis tárolóeszközből állt, amelyet a szemüveghez csatlakoztattak és hátizsákként hordoztak. Ezeket a szemüveget egy kis kamerával szerelték fel, amely a résztvevő vizuális felfedezését filmezte, amelyet a kísérletező laptopján rögzítettek és sugároztak. Bár nem mutatjuk be ezeket a szemkövetési adatokat, amelyek túlmutatnak a jelen cikk hatályán, így nyomon követhetjük a résztvevők feltárását anélkül, hogy követnénk őket, és így biztosíthatjuk, hogy betartják az alábbi utasításokat.
a résztvevőknek azt mondták, hogy fedezzék fel az emlékmű korlátozott terét, és kaptak egy térképet, amely leírja a térbeli elrendezést (Lásd az ábrát. 1a). Ez a tér összesen 119 képből állt, mindegyik alatta felirattal, és 22 tematikus zóna szerint rendeződött (a zónaszámok az ábrán látható körökben vannak feltüntetve. 1a). Két másik zónát is bevontak a túra legelején és végén a recency and primacy effects számára. Ezek a kitöltési zónák mindig ugyanazok voltak, és képeiket nem vették fel a későbbi kísérleti protokollba (és csak a későbbi visszahívási feladat képzésére és megismerésére használták őket). Ezt a 22 zónát 6 fő szektor szerint csoportosítottuk (az Emléktérkép 6 fő színével illusztrálva. 1a). E fő ágazatok feltárási sorrendjét ellensúlyozták a résztvevők. Az egyes szektorokon belüli zónák feltárási sorrendjét szintén randomizálták 6 különböző feltárási lista szerint (e 6 Lista mindegyikéhez 4 résztvevőt rendeltek). Minden zóna egy bevezető táblával kezdődött, amely leírja a zóna tartalmát, amelyet a résztvevőknek először el kellett olvasniuk a zóna felfedezése előtt. A résztvevőknek ezután meg kellett vizsgálniuk a zónát alkotó minden képet. Ezt úgy tették, hogy először elolvasták az alatta lévő feliratot, majd szabadon felfedezhették a kép tartalmát, ameddig csak akarták, mielőtt továbbléptek a következő képre, amíg be nem fejezték turnéjukat, amelynek átlagos időtartama 76 perc volt (s.d. = 13,8). Ne feledje, hogy ezen Emléktúra során a résztvevők nem voltak tudatában annak, hogy emlékeiket másnap tesztelik.
visszahívási feladat
másnap a résztvevők elvégezték a visszahívási feladatot, amelyet három fMRI munkamenetre osztottak, mindegyik körülbelül 10 perc hosszú volt. Minden ülés rövid mondatokat mutatott be, amelyek megfelelnek a második világháborús valós képeket leíró rövid kivonatoknak, amelyeket a résztvevők felfedeztek (Vagyis célmondatokat; átlagos szószám = 7,8, s.d. = 2,4), vagy amelyeket nem fedeztek fel (vagyis zavaró mondatok; átlagos szószám = 7,7, s.d. = 2,1) előző nap. Összesen 119 célmondatot és 63 figyelemelterelő mondatot mutattak be véletlenszerűen a résztvevőknek. A zavaró mondatokhoz kapcsolódó történelmi eseményeket úgy választották ki, hogy megfeleljenek az emlékműben megjelenített képeknek mind a tartalom, mind a képek zónánkénti relatív aránya szempontjából. Az az ország, amelyben az esemény történt, szintén megjelenik az egyes mondatok alatt, akárcsak az év. A résztvevők tisztában voltak a distractor és a célmondatok közötti közelséggel, ezért erősen ösztönözték őket arra, hogy támaszkodjanak a képességükre, hogy teljes mértékben emlékezzenek és vizualizálják a kapcsolódó képeket a feladat elvégzéséhez. Az egyes cueing mondatok kezdete után a résztvevők arról számoltak be, hogy képesek-e felidézni a kapcsolódó képet, ha a jobb mutatóujjukkal az IGEN vagy a nem gombot nyomják meg a jobb középső ujjukkal. A mondatok 4,5 másodpercre jelentek meg, szürke háttérre összpontosítva. A vizsgálatokat sztochasztikus módon mutatták be Poisson-eloszlás szerint (6 = 4), 4,2 s átlagos interstimulus intervallummal (tartomány = 1-10 s), további 25% nulleseménnyel, és fixációs kereszt választotta el őket. A visszahívási feladat pontosságát és teljesítményét a 2. Kiegészítő táblázat ismerteti.
Képelrendezési feladat
a szkenneren kívül a résztvevők egy képelrendezési feladatot hajtottak végre, amelyet az egyes sémák proxyjaként használtak a 119 Emlékképen. A képeket 1-28 körön belül kellett elhelyezni történelmi közelségük szerint. Ezt a képelrendezési feladatot Javascript-ben írták, HTML-kódba ágyazva az internetes navigációhoz, így nagy rugalmasságot kínál a feladat végrehajtásában: a résztvevők a Google Mapshez hasonló mozgó háttérrel nagyíthattak vagy kicsinyíthettek, a képre kattintva nagyíthattak (alatta az Emlékaláírással), az Emlékaláírások egéráthúzással jelentek meg, a résztvevők egyszerre több képet is kiválaszthattak és mozgathattak. A képeket kezdetben egy nagy négyzetbe helyezték a körök felett. A résztvevőket arra utasították, hogy nézzék át az egyes képeket, és helyezzék őket az alábbi körökbe, miközben végigmentek mindegyiken. Azt mondták nekik, hogy ugyanabba a körbe csoportosítsák azokat a képeket, amelyekről úgy érezték, hogy közeli vagy hasonló történelmi eseményeket írnak le. Ha úgy érezték, hogy a képek leválasztott eseményeket írnak le, arra utasították őket, hogy különböző körökbe helyezzék őket. A résztvevők szabadon használhattak annyi kört, amennyit csak akartak, egyetlen körtől a térképen elérhető összes körig. Az utasítások hangsúlyozták, hogy egyáltalán nincs megfelelő számú kör, amelyet használni lehetne, és hogy szabadon járhatnak, ahogy akarják. A résztvevőket arra is utasították, hogy figyeljenek a körök közötti távolságokra és a relatív pozícióikra. Minél inkább úgy ítélték meg, hogy a képek összekapcsolt vagy leválasztott eseményekhez kapcsolódnak, annál közelebb vagy távolabb kell lennie a körök közötti relatív helyzetüknek. Végül, amikor az összes kép fő elrendezése elkészült, a résztvevőknek újra kellett állítaniuk a képek helyzetét az egyes körökön belül. A Képpozíciók közötti euklideszi távolságok ezután tükrözik egy adott egyén szemantikai szerveződését, és kódolhatók egy RDM-ben.
MRI felvételi paraméterek
az MRI adatokat egy 3 T Achieva szkennerrel (Philips) szerezték be a Caeni brain imaging Cyceron Centerben. Minden résztvevő először nagy felbontású T1-súlyozott anatómiai térfogatú képalkotáson esett át háromdimenziós (3D) gyors tér echo (FFE) szekvenciával (3D-T1-FFE sagittalis; TR = 20 ms, TE = 4,6 ms, flip szög = 10 USD, érzékelési tényező = 2180 szelet, szeletvastagság = 1 mm, nincs rés, látómező = 256 db 256 db 180 mm3, mátrix = 256 db 130 db 180 db). Ezt az akvizíciót követték a funkcionális munkamenetek, amelyeket növekvő T2-csillag EPI szekvenciával szereztünk be (MS-T2-csillag-FFE-EPI axiális; TR = 2050 ms, TE = 30 ms, flip szög = 78 ons, 32 szeletek, szeletvastagság = 3 mm, 0,75 mm rés, mátrix = 64, 63, 32, látómező = 192, 192, 119 mm3, futásonként 310 térfogat).
MRI előfeldolgozás
az adatokat statisztikai paraméteres Térképszoftverrel elemeztük (SPM12, Wellcome képalkotó Idegtudományi Tanszék). Az előfeldolgozás során a képeket először térben igazították át a mozgás korrigálására, majd korrigálták a szelet megszerzésének időbeli késleltetésére. A T1 szerkezeti képpel történő magregisztráció után a funkcionális képeket ezután normalizáltuk az egyes szürkeállomány nemlineáris normalizálásából származó paraméterek felhasználásával T1 képek a Montreali Neurológiai Intézet T1 sablonjához. Vegye figyelembe azonban, hogy az RSA-hoz nem csiszolt és nem simított képeket használtak. A kép normalizálására mindazonáltal szükség volt az előre deformációs mező kiszámításához és inverziójához, a fényszórók képeinek normalizálásához vagy az mPFC Roi-k visszatekeréséhez a natív térbe (lásd alább). A simítatlan képek használata fontos az RSA számára, mivel megőrzi a régió reprezentációs geometriáját jellemző finomszemcsés térbeli mintát.
első szintű elemzés
az előre feldolgozott idősorokat, amelyek a natív térképeknek (azaz a nem vetemedett és nem simított képeknek) felelnek meg, ezután felüláteresztő szűréssel 1/128 Hz-re szűrtük minden voxelben. Regresszorok a Általános lineáris modell (GLM) az egyes voxelekhez egy delta függvény konvolválásával jöttek létre (4,5 másodperces rövid korszakként modellezve) az egyes érdeklődésre számot tartó állapotok stimulusának kezdetén kanonikus hemodinamikai válaszfunkcióval (HRF). A legkisebb négyzetek külön megközelítést alkalmaztak50, 51, amely abból állt, hogy minden kísérlethez külön GLM-et becsültek meg. Minden GLM-ben az érdeklődésre számot tartó vizsgálatot egy regresszorként modellezték, és az összes többi kísérletet öt különböző regresszorra osztották össze, amelyek a visszahívás, a kihagyás, a téves riasztások, a korrekció elutasításának és a válasz nélküli feltételeknek felelnek meg (lásd a 2.Kiegészítő táblázatot a visszahívási feladat viselkedési teljesítményéről). Ezt a megközelítést támogatták a rövid interstimulus intervallumokkal rendelkező minták esetében, amikor az egymást követő vizsgálatokra adott hemodinamikai válaszok között magas a kollinearitás51. További nem érdekes regresszorok voltak a hat átrendezési paraméter, amelyek figyelembe vették a lineáris maradék mozgás tárgyait. A GLM maradványok közötti autokorrelációt az elsőrendű autoregresszív folyamat segítségével korrigáltuk, ami korlátozott maximális valószínűség-becslés után előfehérített adatokat eredményezett.
érdekes régiók
az mPFC-t anatómiailag az atlas52 automatizált anatómiai címkézéssel határozták meg, és vmpfc-re és Dmpfc Roi-kra osztották. A dmPFC megfelelt az automatizált anatómiai Címkézési atlasz kétoldali frontális felső mediális gyrusának (2601 és 2602 indexek). A vmpfc maszk magában foglalta a bilaterális fronto-orbitális mediális gyrust (indexek 2611 és 2612), a bilaterális rectust (indexek 2701 és 2702) és a kétoldali elülső cingulum ventrális részét (Z koordináták rosszabb vagy egyenlő nullával) (indexek 4001 és 4002). Ez a két Roi ábrán látható. 3b. Ezt a két maszkképet ezután visszatekerjük az egyes résztvevők natív terébe a normalizációs folyamat során kiszámított deformációs mező inverzével.
Reprezentációs hasonlóságelemzés
ezután minden egyes visszahívott képhez kiszámítottuk az egyes emlékek Kontraszttérképeit, és az RDM-ek kiszámításához használtuk a ROI-kban. Minden egyes egyénre és minden ROI-ra az agyi RDM-eket a következőképpen számítottuk ki: minden egyes voxel esetében a visszahívott képek aktivitási vektora középpont volt, és a szórás (azaz a z pontszám); ezután minden egyes képpár esetében az adott ROI aktivitási mintáit térbeli korrelációval hasonlítottuk össze, majd az eltérést 1 mínusz a korreláció adta. Viselkedési szinten az egyes RDM-eket a résztvevők által a kétdimenziós térbeli elrendezésen elrendezett összes lehetséges képpár közötti euklideszi távolságból származtatták. Ezen agyi vagy viselkedési RDM-ek felső háromszög formáit ezután kivonták és összehasonlították az RDM modellek felső háromszög formáival, amelyek leírják a kollektív sémákat, a szemantikai távolságokat (a Wikipedia második világháborús cikkeiből származnak; lásd alább), a kontextuális térbeli távolságokat (a képek térbeli helyzetének euklideszi távolságait) és az időbeli távolságokat (a képek időbeli rangsorának euklideszi távolságait az Emlékkutatás során). Az agyi/viselkedési RDM-ek és a modell RDM-ek közötti összehasonlításokat regressziós modell alkalmazásával érték el. Mind a regresszorokat, mind az adatokat kezdetben rangsorolták, hogy teszteljék a nemlineáris monoton kapcsolatokat. Tekintettel arra, hogy a kollektív, szemantikai (azaz Wikipedia) és kontextuális (azaz térbeli és időbeli) modell RDM-ek nem ortogonálisak és bizonyos mértékig átfedik egymást, a regressziós modell segít tisztázni az egyes modell prediktoroknak tulajdonítható egyedi varianciát. Minden résztvevő esetében ezt a regressziós modellt megismételték minden érdeklődésre számot tartó témában, és a téma modell és a modell regressziós együtthatójának tíz ismétlését átlagolták ezeken az iterációkon. Minden regressziós modell teljes értékű volt, és a variancia inflációs tényező kevesebb volt, mint 1,5 minden regresszor esetében, megerősítve modelljeink azonosíthatóságát és hatékonyságát. Ezeknek a regressziós modelleknek az eredményeit a fő szöveg tartalmazza, de a standard Spearman korrelációinak eredményeit is külön-külön teszteljük, a teljesség kedvéért, ábrán. 3C és az 1. Kiegészítő táblázatban a statisztikai vizsgálatokhoz. A tevékenységi minták elemzésébe csak a helyesen visszahívott elemeket vették be. A csoportszintű következtetéseket nem paraméteres véletlenszerű effektusok statisztikáival végeztük, hogy teszteljük mind az RDM-relatedness-t, mind a különbségeket az alanykészlet 5000 iterációval történő indításával.28. Minden egyes modell RDM vagy minden pár kontrasztos modell RDM, nem voltak feltételezések a mögöttes Eloszlás és végzett nem paraméteres véletlenszerű hatások statisztikai vizsgálatok segítségével bootstrapping megközelítés. Elvégeztünk egy átlagos összehasonlítást minden bootstrap készleten, és megbecsültük a P értéket a bootstrap minták arányában a faroknál, mint nulla. Az I. típusú hibák várható arányait mind az RDM modell relativitásának, mind a modell összehasonlításának több tesztje során az FDR korrekcióval szabályoztuk,a kívánt FDR q = 0,05 értékkel, és feltételezve a feltételek közötti pozitív függőségt34 [, 53. Az RDM modell rokonságának teszteléséhez, a várható FDR-t a tesztelt modellek összes korrigálatlan egyfarkú P értékének felhasználásával számítottuk ki. Az RDM modell összehasonlításának teszteléséhez a korrekciót a fő hipotézisünkre korlátoztuk, és csak az RDM kollektív memória (más referenciamodellek tekintetében) összehasonlításait vettük figyelembe a várható FDR kiszámításához, Kétfarkú P értékek felhasználásával. Korrigált P értékeket jelentünk, és bootstrapping iterációkat használunk a 95% – os percentilis CIs meghatározásához. A zaj felső határ jelentett ábra. A 3c tükrözi az agyi RDM-ek résztvevők közötti korrelációját. Ezt a korrelációt minden résztvevő esetében az adott résztvevő agyi RDM-je és a fennmaradó résztvevők átlagos agyi RDM-je közötti korrelációként számították34. A zaj mennyezet ábrán látható. A 3c megfelel ezen egyedi korrelációk átlagának.
Keresőfényelemzés
a kéreg fehérállományának és piális felületének hálóit rekonstruáltuk T1-súlyozott képekből, amelyeket minden résztvevő számára összegyűjtöttünk a Freesurfer szoftvercsomag 554,55 verziójával. Az RSA toolbox34 (https://github.com/rsagroup/rsatoolbox) Rsa_definesearchlight Matlab függvényét használtuk, amely szintén támaszkodik szörfözés toolbox functions56 (https://github.com/nno/surfing), hogy meghatározzunk egy felület alapú keresőlámpát mindkét féltekére (40 voxel keresőlámpát használva 10 mm sugarú sugárral). A felület egy vagy több csomópontjának szomszédságában lévő voxeleket geodéziai távolságméréssel és virtuális vonalak felépítésével választottuk ki, amelyek összekapcsolták a pial és a fehér Anyag felületeinek megfelelő csomópontjait. Ez az eljárás keresőfényt hoz létre a felület görbületét követve, ezáltal csökkentve a térbeli torzítást az fMRI minták elemzése során. A volumetrikusan meghatározott városrészekkel ellentétben ez ívelt hengeres alakú városrészeket eredményezett, amelyek követték az egyes egyének sulci és gyri körvonalait. Miután az egyes csúcsok keresőfényszerkezetét felépítették és leképezték a funkcionális képtérre, a reflektorfényt alkotó minden egyes voxelnél a visszahívott aktivitás mintáit középre helyezték és a szórásukra méretezték, mielőtt kiszámították volna az eltérési struktúrát (1 mínusz a térbeli korreláció) a visszahívott minták összes páros összehasonlításában. Ezeknek a keresőfényű RDM-eknek a felső háromszög formáit ezután kivontuk, rang-transzformáltuk, és egy regressziós modell segítségével összehasonlítottuk az összes RDM modell (kollektív, szemantikai és kontextuális) rang-transzformált felső háromszög formájával. Ennek a keresőfényelemzésnek az eredménye létrehozott egy béta térképet, egy kötetet, amelyben minden voxel tartalmaz egy statisztikát az adott voxelre összpontosító keresőfényről. Ezeket az első szintű béta térképeket minden modellhez normalizálták a Montreali Neurológiai Intézet T1 sablonjára, és egy 10 mm-es teljes szélességű, félig maximális Gauss-kernel segítségével simították. Ezeket a standard űrbeli résztvevő béta térképeket második szintű, nem paraméteres véletlenszerű effektus-elemzésnek vetették alá az FSL 5.0.1157 verziójában. A többszörös összehasonlítások kijavításához a csoportszintű béta térképet maximális permutációs tesztelésnek vetették alá küszöbmentes klaszterjavítás58 (TFCE), amely jó kompromisszumot kínál a túl érzékeny klaszter alapú küszöbérték és a túl konzervatív egész agy voxel-alapú korrekció között. Az RDM modell relativitásának és különbségeinek teszteléséhez a tfce térképeket korrigálták (Pcorrected < 0,05) a családonkénti hibaarány szempontjából az FSL-ben végrehajtott standard permutációs tesztek segítségével a randomize funkcióval (10 000 permutáció). A keresőfényelemzés eredményeit a kiterjesztett adatok ábra. 1.
kollektív memória korpusz leírása és elemzése
a korpuszt a MATRICE project (http://www.matricememory.fr/?lang=en) gyűjtötte össze, amely egy multidiszciplináris és technológiai platform, amelynek célja, hogy eszközöket, technológiai és elméleti hátteret biztosítson a kollektív és az egyéni memória közötti kapcsolat megértéséhez. A korpuszt eredetileg alkotó audiovizuális klipeket a Nemzeti Audiovizuális Intézetben tárolták, amely a MATRICE projekt egyik fő partnere, valamint egy állami intézet, amelynek célja a francia televízióban vagy rádióban sugárzott összes audiovizuális produkció archiválása. Ehhez a tanulmányhoz az 1980-tól 2010-ig sugárzott összes televíziós hírközleményt és jelentést (a rádióműsorokat és dokumentumfilmeket nem számítva) a második világháború mint közös téma, összesen 3766 dokumentumot eredményezve. Erre az időszakra három okból koncentrálunk. Először is, 1980-2010 nagyrészt átfedésben van a résztvevők élettartamával. Másodszor, ez az időszak megfelel a francia kollektív emlékezet új narratívájának (azaz egy új “M (M)) nak, – nek M (M) nak, – nek M (M) nak, – nek M (M) nak”59). Ez magában foglalta a Soah emlékezet megjelenését és megerősítését, valamint a francia állam és népe, valamint az akkori képviselőik (például Bousquet, Leguay, Touvier és Papon) részvételét a zsidók deportálásában és meggyilkolásában. Harmadszor, az automatikus beszédfelismerés fejlődésének és az elektronikus szövegek elérhetőségének köszönhetően, amelyekkel a korabeli nyelvi modellek az 1980 után rögzített adatok feldolgozására épültek, a 3766 audiofájlt XML formátumba alakították át a Matrice projekt egyik fő partnere, a Laboratoire d ‘informatique pour la m Enterpricanique et les Sciences de l’ ing (LIMSI; Engineering Sciences and Computer Science Lab) által kifejlesztett beszéd-szöveg konverziós algoritmusok segítségével.
miután szöveggé alakítottuk, korpuszunkat kezdetben manuálisan dolgoztuk fel, hogy eldobjuk a második világháborúhoz nem kapcsolódó szegmenseket (kizárólag a témának szentelt szakaszokat tartva). E művelet során az automatikus beszéd-szöveg átírásokat egy emberi olvasó is javította. A kezdeti előfeldolgozás után minden dokumentumhoz külön XML fájlt bontottunk ki. Ezeket a fájlokat ezután szöveges adatelemzési módszerekkel dolgoztuk fel a TXM szoftver60 (http://textometrie.ens-lyon.fr/) segítségével, amely a treetagger morphosyntactic analizátorhoz kapcsolódott61 (http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/). A TXM lehetővé teszi a felhasználó számára, hogy egy szó (azaz token) minden példányát a megfelelő lemmához (a szavak halmazának kanonikus formájához) jegyezze fel, és folytassa a korpusz minden egyes szavának morfoszintaktikus címkézését. A corpus ezután feltárható a Corpus Query Language (CQL) kérésekkel, hogy megcímkézze és lekérje a konkrét nyelvtani kategóriákat, formákat, lemmákat vagy a szóhoz csatolt információkat. A lista a CQL kérések először automatikusan generált minden főnév, ige vagy melléknév lemma a korpusz. A ritka lemmákat (kevesebb, mint tíz előfordulás), a stop szavakat és a gyakori igéket (például “be” és “have”) eltávolították a folyamat során, és nem szerepeltek a későbbi elemzésekben. Például ez az algoritmus átmegy a korpuszon, és létrehoz egy egyedi CQL lekérdezést (például (lemma = “fight”%c)), amely megfelel a korpusz “fight” ige bármely példányának (azaz “fight”, “fight” vagy “fighting”). A kérésbe beépített %c módosító az asszimilált Lemma formák (azaz “harc”, “harc” vagy “harc”) karakteres esetének semlegesítésére szolgál. A kezdeti lista mintegy 6500 CQL kérések automatikusan generált ezen a módon. Ezt a listát manuálisan ellenőrizték, hogy eltávolítsák a helytelen átírás által generált CQL-kéréseket, alkalmanként bizonyos kéréseket egyetlen entitás alá csoportosítsanak (például(lemma = “dráma”%c)|(lemma = “drámai”%c)), szükség esetén egyesítsék a bigramokat (például (lemma = “főnök”%c) ()?(lemma = “állam”%c) az “államfő” számára) vagy a különböző ortográfiai formákhoz való alkalmazkodáshoz (például(lemma = “Gorbatchev”%c)|(lemma = “Gorbatchov”%c)). A kezdeti ellenőrzés és kiigazítás után összesen 6240 kérés maradt a korpuszunkat alkotó 1 431 790 token összegzésére.
az előfordulások számát számláló Lemma x dokumentumfrekvencia-mátrixot kivontuk, majd a Machine Learning for LanguagE Toolkit (MALLET; http://mallet.cs.umass.edu/topics.php) segítségével elvégeztük az LDA elemzését. Témamodellek26, 29, 30 úgy vélik, hogy a dokumentumokat témák keverékei generálják. Ebben az összefüggésben egy téma megfelel a valószínűségek eloszlásának az összes dokumentumban jelen lévő szavak között (mennyire valószínű, hogy egy adott szó társul egy témához). Ebből a szempontból egy dokumentum előállítható egy valószínűségi eloszlás hozzárendelésével a témákhoz. A dokumentum minden egyes példányához egy témakört választanak ki az előző témakör valószínűségi eloszlásától függően, és egy szót rajzolnak a témából. MALLET A Gibbs mintavételi algoritmust használja ennek a folyamatnak a megfordítására, következtetve a dokumentumok gyűjteményének létrehozásáért felelős témák halmazára és azok valószínűségére szavak felett.
először a második világháborús hírközlemények és jelentések témamodelljeit képeztük ki a KALAPÁCSVONAT-témamotor segítségével (lásd bővített adatok ábra. 2 Az ezzel a technikával létrehozott témák szemléltetéséhez). A megengedett témák számát 2-ről 100-ra változtattuk, 1-es lépésekben, az alfa paramétert 50/N témára, A kezdő béta paramétert pedig 0,1-re állítottuk (ahogy azt más munkák is javasolják, amelyek szemantikai célokra nagy szövegállományt modelleznek62). Minden témakörhöz 500 iterációt használtunk a szó és a dokumentum téma valószínűségének becsléséhez. Ezután a MALLET inferencer eszközt használtuk, hogy az LDA modellt az Emlékképekhez illesszük, és megbecsüljük a téma valószínűségét. Ebből a célból minden képet új dokumentumként kezeltek, és kulcsszavakkal (szintén lemmatizált) címkéztek, amelyek közvetlenül a képek alatti Emlékfeliratokból származtak. Összesen 449 lemmát használtak az emlékképek leírására. Ezek közül a lemmák közül 428-at találtak a 6240 Lemma listáján, amely a hírközlemények és jelentések korpuszát írja le. A téma következtetési folyamata tehát 119 kép x n téma valószínűségi eloszlási mátrixához vezetett, leírva a kép adott témájának hátsó valószínűségét.
ezután egy 119 kép x 119 kép RDM-et számítottunk ki a becsült témák Minden számára az egyes Képpárok témalehetőségeinek eloszlása közötti távolságok felhasználásával (itt a koszinusz távolság alapján, amely szimmetrikus mérést nyújt a két témavektor közötti hasonlóságról). Tekintettel azonban arra a véletlenszerűségre, amelyet a Gibbs mintavételi algoritmus bevezethet a paraméterbecslés során, tízszer megismételtük az egész folyamatot, ami 3D 119 kép x 119 kép x 10 ismétlés RDM-hez vezetett a becsült témák minden számához. Az agyi vagy viselkedési RDM-ek és a kollektív RDM-ek (a regressziós modell béta együtthatói vagy a Spearman korrelációs együtthatói) közötti hasonlóság mérését a témamodellezés tíz ismétlése között átlagoltuk. Összefoglalva az egész folyamatot, egy adott számú témához: (1) A francia televíziós hírközlemények és jelentések korpuszán egy témamodellt képeztünk ki; (2) ezt a témamodellt illesztettük az Emlékképekhez és azok felirataihoz, minden képet új dokumentumként kezelve; (3) egy 119 kép x N témamátrixot, amely leírja a kép adott témájának hátsó valószínűségét, kivontuk és átalakítottuk 119 619 RDM-re; és (4) Ezt a folyamatot tízszer megismételtük, és minden témaszám esetében kiszámítottuk az agyi vagy viselkedési RDM-ekkel való átlagos hasonlóságot e tíz esetben.
a kollektív memória modell validálása és a témaszám kiválasztása
megpróbáltuk számszerűsíteni az egyének közötti megosztott reprezentációk szerkezetét, és összehasonlítottuk ezeket a megosztott sémákat a kollektív memória modellünkkel. Ez az eljárás lehetővé tenné számunkra, hogy önállóan kiválasszunk egy optimális számú témát a képek kollektív szerkezetének leírására, amely a legjobban megfelel a megosztott memóriának. Ennek érdekében 54 francia anyanyelvű (23 férfi, 31 Nő) 20-39 éves (átlag = 27,3 év; SD = 5,6) végezte el a képrendezési feladatot. Ezt a feladatot pontosan ugyanazon a 119 Emlékképen végezték el, de ellentétben az MRI résztvevőinkkel, akik előző nap meglátogatták az emlékművet, ezek az új résztvevők teljesen ismeretlenek voltak az emlékművel. 54 egyedi RDM-et származtattunk a képek közötti euklideszi távolságokból. Ezután elvégeztük a DISTATIS33-At, hogy rögzítsük a reprezentációk megosztott struktúráját az említett kontroll egyének között. A DISTATIS ideális a legjobb megállapodás vagy kompromisszum kiszámításához több távolságmátrixon keresztül. A DISTATIS Matlab-ban történő megvalósítása a https://www.utdallas.edu/~herve/ címen található, de röviden: (1) az 54 RDM mindegyikét először termékközi mátrixmá alakították át, miután kettős központosították és normalizálták az első sajátértékére; (2) az 54 normalizált kereszttermék mátrix összes páronkénti összehasonlításának koszinusz hasonlósági szerkezetét az RV együttható segítségével számítottuk ki; (3) az RDM-ek közötti kapcsolatokat leíró RV együttható mátrixot saját bomlásnak vetettük alá, és a kompromisszumos mátrix megfelelt a normalizált kereszttermék mátrixok összegének, amelyet az első sajátértékükkel súlyoztak; (4) a kompromisszum saját bomlása faktor pontszámokat eredményezett, amely leírta a 119 kép mindegyikének helyzetét egy N-dimenziós kompromisszumos térben; és (5) ezeknek a többdimenziós kompromisszumos tereknek a távolságkorrelációs mátrixa megfelelt a viselkedési képelrendezési feladatból levezetett mind az 54 egyedi RDM legjobb egyezésének. Ez a távolságkorrelációs mátrix megosztott sémának tekinthető, amely tükrözi az egyének közötti közös szemantikai szervezetet. A televíziós hírközlemények és jelentések korpuszából kivont kollektív RDM-ek hasonlóak voltak a megosztott memória szerkezetéhez, amelyet a kontroll egyének között mértek (ábra. 2c). Ezt a hasonlóságot a kollektív és a megosztott memória között öt témakörből álló tárolók átlagolták, és akkor érte el a maximumot, amikor a téma felfedezése során hat-tíz témát vettek fel. Ennek eredményeként az összes későbbi, kollektív vagy szemantikai memóriát érintő elemzést hat-tíz téma felhasználásával végezték el (és az agyi vagy viselkedési RDM-ek, valamint a kollektív vagy szemantikai RDM-ek közötti hasonlóság mértékét átlagolták ezen a kiválasztott témaszámon belül).
a második világháború szemantikai tartományának ellenőrzési modelljének felépítése
a második világháborúra utaló Francia Wikipedia cikkeket használtuk a második világháborúhoz kapcsolódó szavak közötti konkrét szemantikai kapcsolatok referencia modelljeként, és betanítottunk egy témamodellt, amelyet aztán illesztettünk az Emlékképekhez. Ez a korpusz (http://redac.univ-tlse2.fr/corpus/wikipedia.html) 664 982 cikket tartalmazott, amelyeket 2008 júniusáig szerkesztettek, amelyek közül 2643 cikk kifejezetten a második világháborúhoz kapcsolódott, és korábban a Wikipedia cikkek francia nyelvű változatából (http://dumps.wikimedia.org/) nyerték ki, és ugyanazzal a morfoszintaktikus címkézési eszközzel dolgozták fel61, amelyet a második világháborúról szóló francia televíziós hírek korpuszának feldolgozásához használtak. miután importáltuk a korpuszt a TXM-be, pontosan ugyanazt az elemzési módszert alkalmaztuk, amelyet korábban a kollektív memória modelljének felépítéséhez használtunk (lásd kollektív memória memória korpusz leírása és elemzése).
jelentés összefoglaló
a kutatási tervezéssel kapcsolatos további információk a cikkhez kapcsolódó Nature Research Reporting Summary-ban találhatók.