MRI-deelnemers
vierentwintig rechtshandig native speakers tussen 22 en 39 jaar oud (gemiddelde = 28,6 jaar; s.d. = 4,4) werden betaald om deel te nemen (11 mannen, 13 vrouwen). Ze hadden geen voorgeschiedenis van neurologische, medische, visuele of geheugenstoornissen. De studie werd goedgekeurd door de regionale onderzoeksethiekcommissie (Comité de Protection des Personnes Nord-Ouest III, sponsor ID: C13-46, RCB ID: 2014-A00126-41, clinicaltrial.gov registratienummer: NCT02172677). Twee extra deelnemers werden in eerste instantie ook aangeworven voor het instellen en aanpassen van het ontwerp (maar niet geanalyseerd). Eén deelnemer werd vervangen zonder verdere analyses als gevolg van belangrijke MRI artefacten voorkomen beeldanalyse. Alle deelnemers gaven schriftelijke toestemming voordat zij deelnamen. Deelnemers werd gevraagd geen psychostimulantia, drugs of alcohol te gebruiken voor of tijdens de experimentele periode. Er werden geen statistische methoden gebruikt om de steekproefgrootte vooraf te bepalen, maar de steekproefgrootte die in dit onderzoek werd gebruikt (N = 24) is vergelijkbaar met die van eerdere fMRI-onderzoeken waarbij RSA werd gebruikt.
Materials and Memorial exploration procedure
de stimuli waren 119 foto ‘ s geselecteerd uit het gebied World War, Total War in het Caen Memorial Museum. Elk display werd gefotografeerd op het gedenkteken met behulp van een professionele digitale camera en professionele verlichting. Deze foto ‘ s werden vervolgens aangepast voor contrast en verlichting, en de externe contour werd bijgesneden, met behulp van beeldverwerkingssoftware.
elke deelnemer verkende het gedenkteken aan het einde van de middag, net voordat de Herdenkingsdeur sluit. Dit zorgde ervoor dat andere bezoekers de rondleidingen van de deelnemers niet zouden verstoren. De deelnemers kregen eerst algemene instructies over het experiment en werden elk uitgerust met een mobiel eye-tracking Systeem (Applied Science Laboratory) bestaande uit een bril en een klein opslagapparaat aangesloten op de bril en gedragen als een rugzak. Deze bril werd gemonteerd met een kleine camera die de visuele verkenning van de deelnemer filmde, die werd opgenomen en uitgezonden op de laptop van de onderzoeker. Hoewel we deze eye-tracking-gegevens niet presenteren, die verder gaan dan de reikwijdte van het huidige document, konden we zo de verkenning van deelnemers volgen zonder ze te volgen, en zo ervoor zorgen dat ze zich aan de volgende instructies hielden.
deelnemers kregen de opdracht een beperkte ruimte van het monument te verkennen en kregen een kaart met de ruimtelijke indeling (zie Fig. 1 bis). Deze ruimte bestond in totaal uit 119 foto ‘ s, elk met een onderschrift eronder, en was georganiseerd volgens 22 thematische zones (zonenummers zijn aangegeven in de cirkels in Fig. 1 bis). Twee andere zones werden opgenomen aan het begin en aan het einde van de tour voor recente en primacy effecten. Deze vulzones waren altijd hetzelfde, en hun foto ‘ s werden niet opgenomen in het daaropvolgende experimentele protocol (en werden alleen gebruikt voor training en vertrouwd maken met de volgende recall taak). Deze 22 zones werden gegroepeerd volgens 6 hoofdsectoren (geïllustreerd met de 6 hoofdkleuren op de kaart van het monument in Fig. 1 bis). De exploratievolgorde van deze belangrijkste sectoren werd gecompenseerd door alle deelnemers. De exploratievolgorde van de zones binnen elke sector werd ook gerandomiseerd volgens 6 verschillende exploratielijsten (4 deelnemers werden toegewezen aan elk van deze 6 lijsten). Elke zone begon met een introductiebord met een beschrijving van de inhoud van de zone die de deelnemers eerst moesten lezen voordat ze de zone verkenden. De deelnemers moesten vervolgens elk beeld van de zone verkennen. Ze deden dit door eerst het onderschrift hieronder te lezen, en waren dan vrij om de inhoud van de foto zo lang als ze wilden te verkennen voordat ze naar de volgende foto totdat ze hun tour, waarvan de gemiddelde duur was 76 min (s.d. = 13,8). Merk op dat tijdens deze Memorial tour, deelnemers waren niet op de hoogte dat hun herinneringen zouden worden getest de volgende dag.
Recall taak
de volgende dag voerden de deelnemers de recall taak uit, die verdeeld was in drie fMRI-sessies, elk ongeveer 10 minuten lang. Elke sessie presenteerde korte zinnen die overeenkomen met korte fragmenten beschrijven echte Wereldoorlog II foto ‘ s die de deelnemers hadden verkend (dat wil zeggen, doelzinnen; gemiddelde woordtelling = 7,8, s.d. = 2,4) of niet had verkend (dat wil zeggen, distractor zinnen; gemiddelde woordtelling = 7,7, S.d. = 2,1) de dag ervoor. In totaal werden 119 doelzinnen en 63 distractor-zinnen willekeurig aan de deelnemers gepresenteerd. Historische gebeurtenissen in verband met de distractor zinnen werden geselecteerd om de foto ’s weergegeven op het monument in termen van zowel de inhoud en het relatieve aandeel van de foto’ s per zone. Onder elke zin stond ook het land waarin het evenement plaatsvond, evenals het jaartal. Deelnemers waren zich bewust van de nabijheid tussen distractor en doel zinnen en werden daarom sterk aangemoedigd om te vertrouwen op hun vermogen om volledig te herinneren en visualiseren van de bijbehorende foto ‘ s om deze taak uit te voeren. Na het begin van elke cueing zin, de deelnemers gemeld of ze de bijbehorende foto kon herinneren door te drukken Ja met hun rechter wijsvinger of nee met hun rechter middelvinger. De zinnen verschenen voor 4,5 s gecentreerd op een grijze achtergrond. De onderzoeken werden op stochastische wijze gepresenteerd volgens een Poissonverdeling (λ = 4) met een gemiddeld interstimulusinterval van 4,2 s (bereik = 1-10 s) met 25% additionele null events en werden gescheiden door een fixatiekruis. De nauwkeurigheid en prestaties van de terugroeptaak worden beschreven in aanvullende tabel 2.
Image arrangement taak
buiten de scanner voerden de deelnemers een image arrangement taak uit, gebruikt als een proxy voor individuele schema ‘ s, op de 119 Memorial pictures. De beelden moesten worden geplaatst binnen 1 tot 28 Cirkels volgens hun historische nabijheid. Deze afbeelding arrangement taak is geschreven in Javascript ingebed in HTML-code voor internet navigatie, waardoor het aanbieden van grote flexibiliteit in de uitvoering van de taak: deelnemers konden in-of uitzoomen met een bewegende achtergrond vergelijkbaar met Google Maps, ze konden een foto vergroten door erop te klikken (met het Herinneringsonderschrift eronder), de Herinneringsonderschriften verschenen op mouseover, en deelnemers konden meerdere foto ‘ s tegelijk selecteren en verplaatsen. Foto ‘ s werden aanvankelijk geplaatst in een groot vierkant boven de cirkels. De deelnemers werden geïnstrueerd om elk beeld te bekijken en om ze in de onderstaande cirkels te plaatsen terwijl ze door elk van hen gingen. Ze werden verteld om in dezelfde cirkel Alle foto ‘ s die ze voelden beschreven close of soortgelijke historische gebeurtenissen te groeperen. Als ze voelden dat de foto ‘ s beschreven losgekoppelde gebeurtenissen, werden ze geïnstrueerd om ze in verschillende kringen te plaatsen. Deelnemers waren vrij om zoveel cirkels te gebruiken als ze wilden, van een enkele cirkel tot alle cirkels die beschikbaar zijn op de kaart. De instructies benadrukten dat er absoluut geen juist aantal cirkels te gebruiken was, en dat ze vrij waren om te gaan zoals ze wilden. De deelnemers kregen ook de opdracht om aandacht te besteden aan de afstanden tussen cirkels en hun relatieve posities. Hoe meer ze beoordeelden dat de foto ‘ s waren gekoppeld aan verbonden of losgekoppelde gebeurtenissen, hoe dichter of verder weg hun relatieve posities in cirkels zou moeten zijn. Tot slot, toen de hoofdindeling voor alle foto ’s was voltooid, moesten de deelnemers de posities van de foto’ s binnen elke cirkel aanpassen. De Euclidische afstanden tussen de beeldposities weerspiegelden vervolgens de semantische organisatie van een bepaald individu en konden in een RDM worden gecodeerd.
MRI-acquisitieparameters
MRI-gegevens werden verkregen met een 3 T Achieva-scanner (Philips) in het Cyceroncentrum voor hersenbeeldvorming in Caen. Alle deelnemers ondergingen eerst een hoge-resolutie T1-gewogen anatomische volume beeldvorming met behulp van een driedimensionale (3D) fast field echo (FFE) sequentie (3D-T1-ffe sagittal; TR = 20 ms, TE = 4,6 ms, flip angle = 10°, SENSE factor = 2, 180 plakjes, slicedikte = 1 mm, geen spleet, gezichtsveld = 256 × 256 × 180 mm3, matrix = 256 × 130 × 180). Deze overname werd gevolgd door de functionele sessies, die werden verworven met behulp van een oplopende T2-ster EPI-sequentie (MS-T2-star-FFE-EPI axial; TR = 2050 ms, te = 30 ms, flip angle = 78°, 32 slices, slicedikte = 3 mm, 0,75 mm spleet, matrix = 64 × 63 × 32, gezichtsveld = 192 × 192 × 119 mm3, 310 volumes per run).
MRI-voorbewerking
gegevens werden geanalyseerd met behulp van statistische parametrische Mapping software (Spm12, Wellcome Department of Imaging Neuroscience). Tijdens de voorbewerking werden beelden eerst ruimtelijk opnieuw ontworpen om te corrigeren voor beweging en werden vervolgens gecorrigeerd voor slice acquisition temporal delay. Na coregistratie met het T1 structurele beeld, werden functionele beelden vervolgens genormaliseerd met behulp van de parameters afgeleid van de niet-lineaire normalisatie van individuele grijs-materie T1 beelden aan de T1 template van het Montreal Neurologische Instituut. Merk echter op dat niet-afgebeelde en niet-afgebeelde afbeeldingen werden gebruikt voor de RSA. Normalisatie van het beeld was echter nodig om het voorwaartse vervormingsveld en de inversie ervan te berekenen, om zoeklicht-afbeeldingen te normaliseren of om mPFC-ROI ‘ s terug te draaien naar native space (zie hieronder), respectievelijk. Het gebruik van ongetemde beelden is belangrijk voor RSA omdat het het fijnkorrelige ruimtelijke patroon dat de representationele geometrie van een regio kenmerkt, behoudt.
eerstelijnsanalyse
de vooraf verwerkte tijdreeksen, overeenkomend met native space images (dat wil zeggen niet-kromme en niet-getande beelden), werden vervolgens high-pass gefilterd tot 1/128 Hz in elke voxel. Regressoren in een algemeen lineair model (GLM) voor elke voxel werden gecreëerd door het convolveren van een deltafunctie (gemodelleerd als 4,5 s kort-Epoche) bij het begin van de stimulus voor elke aandoening van belang met een canonieke hemodynamische responsfunctie (HRF). Een least-squares aparte benadering werd gebruikt50, 51, die bestond uit het schatten van een aparte GLM voor elke proef. In elke GLM werd het onderzoek van belang gemodelleerd als één regressor, en alle andere studies werden samengebracht in vijf verschillende regressoren die overeenkwamen met recall, Missing, vals alarm, correctie afstoting en geen respons voorwaarden (zie aanvullende tabel 2 voor gedragsprestaties op de recall taak). Deze aanpak is gepromoot voor ontwerpen met korte interstimulusintervallen, wanneer er een hoge mate van collineariteit is tussen hemodynamische reacties op opeenvolgende trials51. Andere regressoren van geen belang waren de zes heruitlijningsparameters om rekening te houden met lineaire resterende bewegingsartefacten. Autocorrelatie tussen de GLM-reststoffen werd gecorrigeerd met behulp van het eerste-orde autoregressieve proces, wat resulteerde in voorafwitte gegevens na een beperkte schatting van de maximale waarschijnlijkheid.
regio ‘ s van belang
de mPFC werd anatomisch gedefinieerd met behulp van de geautomatiseerde anatomische Labeling atlas52 en werd opgesplitst in Vmpfc en Dmpfc ROIs. De dmpfc kwam overeen met de bilaterale frontale superieure mediale gyrus van de geautomatiseerde anatomische Labeling atlas (indexen 2601 en 2602). Het vmpfc-masker omvatte de bilaterale fronto-orbitale mediale gyrus (indexen 2611 en 2612), de bilaterale rectus (indexen 2701 en 2702) en het ventrale gedeelte (Z-coördinaten minder of gelijk aan nul) van het bilaterale voorafgaande cingulum (indexen 4001 en 4002). Deze twee ROI ‘ s zijn weergegeven in Fig. 3b. Deze twee maskerbeelden werden vervolgens teruggepakt naar de native ruimte van elke deelnemer met behulp van de inverse van het vervormingsveld berekend tijdens het normalisatieproces.
Representationele gelijkenis analyse
Contrastkaarten van individuele herinneringen werden vervolgens berekend voor elk teruggeroepen Beeld en gebruikt om RDMs in onze ROI ‘ s te berekenen. Voor elk individu en elke ROI werden de RDMs van de hersenen als volgt berekend: voor elke voxel was de vector van activiteit over de opgeroepen foto ‘ s gemiddeld gecentreerd en geschaald naar de standaarddeviatie (dat wil zeggen, Z-score); vervolgens werden voor elk paar afbeeldingen de activiteitspatronen in een gegeven ROI vergeleken met behulp van ruimtelijke correlatie, en de ongelijksoortigheid werd dan gegeven door 1 minus de correlatie. Op gedragsniveau werden individuele RDMs afgeleid uit de Euclidische afstanden tussen alle mogelijke paren van foto ‘ s die door de deelnemers op de tweedimensionale ruimtelijke lay-out werden gerangschikt. De bovenste driehoekige vormen van deze hersenen of gedragsmatige RDM’ s werden vervolgens geëxtraheerd en vergeleken met de bovenste driehoekige vormen van RDM-modellen die collectieve schema’ s beschrijven, semantische afstanden (afgeleid van Wikipedia-artikelen uit de Tweede Wereldoorlog; zie hieronder), contextuele ruimtelijke afstanden (Euclidische afstanden van de ruimtelijke posities van de foto ‘s) en temporele afstanden (Euclidische afstanden van de rangorde van de foto’ s tijdens Memorial exploration). Deze vergelijkingen tussen hersenen/gedrag en model RDMs werden bereikt met behulp van een regressiemodel. Zowel regressoren Als gegevens werden aanvankelijk rang-getransformeerd om niet-lineaire monotone relaties te testen. Gezien het feit dat collectieve, semantische (dat wil zeggen Wikipedia) en contextuele (dat wil zeggen ruimtelijke en temporele) Model RDM ‘ s niet orthogonaal zijn en tot op zekere hoogte overlappen, helpt een regressiemodel de unieke variantie toe te schrijven aan elk van de modelvoorspellers te verduidelijken. Voor elke deelnemer werd dit regressiemodel herhaald voor elk onderwerp van belang, en de tien herhalingen van het topic model en het model regressiecoëfficiënt werden gemiddeld over deze iteraties. Alle regressie modellen waren full-rank, en de variantie inflatie factor was minder dan 1,5 voor elke regressor, bevestiging van de identificeerbaarheid en efficiëntie van onze modellen. De resultaten van deze regressiemodellen worden vermeld in de hoofdtekst, maar we rapporteren ook de resultaten van standaard Spearman ‘ s correlaties die afzonderlijk, omwille van de volledigheid, zijn getest in Fig. 3c en in aanvullende tabel 1 voor statistische tests. Bij de analyse van de activiteitspatronen werden alleen correct teruggeroepen items opgenomen. Conclusies op groepsniveau werden uitgevoerd met behulp van niet-parametrische random-effectenstatistieken om zowel RDM-relatedness als verschillen te testen door het onderwerp met 5.000 iteraties28 op te bootstrappen. Voor elk model RDM of elk paar contrasted model RDM ‘ s, hadden we geen aannames over de onderliggende distributie en voerden we niet-parametrische random-effecten statistische tests uit met behulp van een bootstrapping-benadering. We voerden een gemiddelde vergelijking uit bij elke bootstrap set en schatten de p waarde als het aandeel van bootstrap samples verder in de staarten dan nul. De verwachte proporties van type I fouten over meerdere tests van zowel RDM model relatedness en model vergelijking werden gecontroleerd met behulp van de FDR correctie, met een gewenste FDR q = 0,05 en uitgaande van een positieve afhankelijkheid tussen voorwaarden34[,53. Voor de test van RDM-modelverwantschap werd de verwachte FDR berekend aan de hand van alle ongecorrigeerde one-tailed P-waarden van geteste modellen. Voor de test van RDM-modelvergelijking hebben we de correctie beperkt tot onze hoofdhypothese en alleen vergelijkingen opgenomen met het collectieve geheugen RDM (met betrekking tot andere referentiemodellen) om de verwachte FDR te berekenen, met behulp van tweestaart p-waarden. We rapporteren aangepaste p-waarden en gebruiken bootstrapping iteraties om 95% percentiel CIs te bepalen. Het in Fig. 3c weerspiegelt de tussen-deelnemer correlatie van de hersenen RDMs. Deze correlatie werd voor elke deelnemer berekend als de correlatie tussen de RDM van de hersenen van die deelnemer en de gemiddelde RDM van de hersenen van de resterende deelnemers34. Het geluid plafond afgebeeld in Fig. 3c komt overeen met het gemiddelde van deze individuele correlaties.
Zoeklicht analyse
mazen van de witte stof en Piale oppervlakken van de cortex werden gereconstrueerd op basis van T1-gewogen beelden verzameld voor elke deelnemer met behulp van de Freesurfer software pakket versie 554,55. We gebruikten de RSA toolbox34 (https://github.com/rsagroup/rsatoolbox), die ook gebruik maakt van Surftoolbox-functies56 (https://github.com/nno/surfing), om een zoeklicht op basis van het oppervlak te definiëren voor beide hemisferen (met een zoeklicht van 40 voxel met een straal van 10 mm). Voxels in de buurt van een of meer knooppunten van het oppervlak werden geselecteerd met behulp van een geodetische afstandsmaat en door virtuele lijnen te construeren die overeenkomstige knooppunten op de Piale en witte materie oppervlakken met elkaar verbonden. Deze procedure produceert een zoeklicht na de oppervlaktekromming, waardoor ruimtelijke bias tijdens de analyse van fMRI-patronen wordt verminderd. In tegenstelling tot buurten die volumetrisch zijn gedefinieerd, resulteerde dit in buurten met een gebogen cilindrische vorm die de contouren van de sulci en gyri van elk individu volgden. Zodra de zoeklichtstructuur voor elk hoekpunt werd geconstrueerd en in kaart gebracht aan de functionele beeldruimte, waren patronen van teruggeroepen activiteit bij elke voxel die het zoeklicht samenstelde gemiddeld gecentreerd en geschaald naar hun standaarddeviaties voordat de ongelijksoortige structuur (1 minus de ruimtelijke correlatie) werd berekend over alle paarsgewijze vergelijkingen van teruggeroepen patronen. De bovenste driehoekige vormen van deze zoeklicht-RDM ‘ s werden vervolgens geëxtraheerd, rang-getransformeerd en vergeleken met behulp van een regressiemodel met de rang-getransformeerde bovenste driehoekige vorm van alle RDM-modellen (collectief, semantisch en contextueel). Het resultaat van deze zoeklicht analyse creëerde een beta kaart, een volume waarin elke voxel bevat een statistiek voor het zoeklicht gecentreerd op dat voxel. Deze eerste-level beta kaarten voor elk model werden genormaliseerd naar de Montreal Neurological Institute T1 template en gladgestreken met behulp van een 10 mm Volledige Breedte op half-maximum Gaussiaanse kernel. Deze standaard-ruimte deelnemer beta kaarten werden voorgelegd aan een tweede niveau niet-parametrische random-effecten analyse in FSL versie 5.0.1157. Om meerdere vergelijkingen te corrigeren, werd de bètakaart op groepsniveau onderworpen aan maximale permutatie-tests met behulp van threshold-free cluster enhancement58 (TFCE), wat een goed compromis biedt tussen de overgevoelige clustergebaseerde threshholding en de te conservatieve voxelgebaseerde correctie in het hele brein. Om de relatie en verschillen van het RDM-model te testen, werden TFCE-kaarten vervolgens gecorrigeerd (pcorricted < 0,05) voor het familie-wise foutenpercentage met behulp van standaard permutatietests uitgevoerd in FSL met de randomize-functie (10.000 permutaties). De resultaten van de zoeklichtanalyse worden vermeld in Uitgebreide gegevens Fig. 1.
collectief geheugen corpus beschrijving en analyse
het corpus werd verzameld door het MATRICE-project (http://www.matricememory.fr/?lang=en), een multidisciplinair en technologisch platform dat tot doel heeft instrumenten en technologische en theoretische achtergrond te verschaffen om de relatie tussen collectief en individueel geheugen te begrijpen. De audiovisuele clips die aanvankelijk het corpus vormden, werden opgeslagen bij het Nationaal Audiovisueel Instituut, een van de belangrijkste partners van het MATRICE-project en een openbaar instituut dat tot doel heeft alle audiovisuele producties die op de Franse televisie of radio worden uitgezonden, te archiveren. Voor deze studie hebben we in ons corpus alle nieuwsbulletins en rapporten opgenomen (met uitzondering van radioshows of documentaires) die van 1980 tot 2010 werden uitgezonden met de Tweede Wereldoorlog als gemeenschappelijk thema, wat leidde tot een totaal van 3.766 documenten. We richten ons op deze specifieke periode om drie redenen. Ten eerste overlapt de periode 1980-2010 grotendeels met de levensduur van onze deelnemers. Ten tweede komt deze periode overeen met de vaststelling van een nieuw verhaal voor het Franse collectieve geheugen (dat wil zeggen een nieuw “Régime of Mémorialité”59). Dit omvatte de opkomst en bevestiging van de herinnering aan de Shoah, evenals grote processen die de deelname van de Franse staat en zijn volk, en hun vertegenwoordigers in die tijd (bijvoorbeeld, Bousquet, Leguay, Touvier en Papon), in de deportatie en het doden van Joden erkennen. Ten derde, dankzij de vooruitgang in automatische spraakherkenning en de beschikbaarheid van elektronische teksten waarmee hedendaagse taalmodellen werden gebouwd om gegevens te verwerken die na 1980 werden opgenomen, werden de 3.766 audiobestanden geconverteerd naar XML-formaat met behulp van spraak-naar-tekst conversiealgoritmen ontwikkeld door het Laboratoire d ‘informatique pour la Mécanique et les Sciences de l’ Ingénieur (LIMSI; Engineering Sciences and Computer Science Lab), een van de belangrijkste partners van het MATRICE-project.
eenmaal geconverteerd naar tekst, werd ons corpus in eerste instantie handmatig verwerkt om segmenten die niet gerelateerd waren aan de Tweede Wereldoorlog te verwijderen (waarbij uitsluitend secties gewijd waren aan dit onderwerp). Tijdens deze operatie werden de automatische spraak-naar-tekst transcripties bovendien gecorrigeerd door een menselijke lezer. Na deze eerste voorbewerking, een aparte XML-bestand werd geëxtraheerd voor elk document. Deze bestanden werden vervolgens verwerkt met tekstuele data-analyse methoden met behulp van de TXM software60 (http://textometrie.ens-lyon.fr/) verbonden met de TreeTagger morphosyntactic analyser61 (http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/). TXM staat de gebruiker toe om elk exemplaar van een woord (dat wil zeggen, token) te annoteren aan zijn corresponderende lemma (de canonieke vorm van een verzameling woorden) en om over te gaan tot een morfosyntactische etikettering van elk woord in een corpus. Het corpus kan dan worden onderzocht met behulp van Corpus Query Language (CQL) verzoeken om tag en ophalen van specifieke grammaticale categorieën, formulieren, lemma ‘ s of enige informatie die aan het woord. Een lijst met CQL-Verzoeken werd eerst automatisch gegenereerd voor elk zelfstandig naamwoord, werkwoord of bijvoeglijk naamwoord lemma in het corpus. Zeldzame lemma ‘ s (minder dan tien voorkomen), stopwoorden en veelvoorkomende werkwoorden (bijvoorbeeld “zijn” en “hebben”) werden in het proces verwijderd en niet opgenomen in latere analyses. Bijvoorbeeld, dit algoritme zou gaan door het corpus en produceren een unieke CQL query (bijvoorbeeld, (lemma = “fight”%c)) overeenkomend met elke instantie van het werkwoord “fight” in het corpus (dat wil zeggen, “fight”, “fight” of “fighting”). De % c-modifier die in dit verzoek is opgenomen, wordt gebruikt om het karakter van geassimileerde lemma-vormen te neutraliseren (dat wil zeggen, “fight”, “Fight” of “FIGHT”). Een eerste lijst van ongeveer 6.500 CQL aanvragen werd automatisch gegenereerd op deze manier. Deze lijst is handmatig gecontroleerd om CQL-verzoeken te verwijderen die zijn geproduceerd door onjuiste transcriptie, om af en toe bepaalde verzoeken onder een enkele entiteit te groeperen (bijvoorbeeld (lemma = “drama”%C)|(lemma = “dramatisch” %c)), om bigrams samen te voegen indien van toepassing (bijvoorbeeld (lemma = “chief” %C) ()?(lemma = “staat” %c) voor “staatshoofd”) of om aan te passen aan verschillende orthografische vormen (bijvoorbeeld (lemma = “Gorbatchev”%C)|(lemma = “Gorbatchov”%C)). Na deze eerste controle en aanpassing, een totaal van 6.240 Verzoeken bleven om de 1431.790 tokens samen te vatten die ons corpus.
een lemma x-documentfrequentiematrix met het aantal voorvallen werd geëxtraheerd en aan een Lda-analyse onderworpen die werd uitgevoerd met behulp van de Machine Learning for LanguagE Toolkit (MALLET; http://mallet.cs.umass.edu/topics.php). Topic models26, 29, 30 van mening dat documenten worden gegenereerd door mengsels van onderwerpen. In deze context komt een onderwerp overeen met de verdeling van waarschijnlijkheden over alle aanwezige woorden over alle documenten (hoe waarschijnlijk het is dat een bepaald woord geassocieerd wordt met een onderwerp). Vanuit dit perspectief kan een document worden gegenereerd door een kansverdeling over onderwerpen toe te wijzen. Voor elke instantie in een document wordt een onderwerp gekozen afhankelijk van zijn vorige onderwerp kansverdeling, en een woord wordt getrokken uit dat onderwerp. MALLET maakt gebruik van de Gibbs sampling algoritme om dit proces te keren, het afleiden van de set van onderwerpen die verantwoordelijk zijn voor het genereren van een verzameling van documenten en hun waarschijnlijkheden over woorden waren.
we hebben voor het eerst topic models getraind over de World War II news bulletins en reports corpus met behulp van de MALLET train-topic engine (zie Extended Data Fig. 2 voor een illustratie van de onderwerpen gemaakt met deze techniek). We varieerden het aantal toegestane onderwerpen van 2 tot 100, in stappen van 1, waarbij we de alpha parameter op 50/N onderwerpen zetten en de start beta parameter op 0,1 (zoals gesuggereerd in andere werken die een groot corpus van teksten modelleren voor semantische doeleinden62). Voor elk aantal onderwerpen hebben we 500 iteraties gebruikt om de kans op word-en documentonderwerpen in te schatten. Vervolgens gebruikten we de hamer inferencer tool om het LDA model aan te passen aan de herdenkingsfoto ‘ s en schatten hun onderwerp waarschijnlijkheden. Daartoe werd elke afbeelding behandeld als een nieuw document en voorzien van trefwoorden (ook lemmatized), die rechtstreeks zijn afgeleid van de bijschriften onder de afbeeldingen. In totaal werden 449 lemmas gebruikt om de herdenkingsfoto ‘ s te beschrijven. Van deze lemma ’s zijn er 428 ook gevonden in de lijst van 6.240 lemma’ s die het corpus van nieuwsbulletins en rapporten beschrijven. Het onderwerp inferentieel proces leidde dus tot een kansverdelingsmatrix van 119 afbeeldingen x N onderwerpen, die de posterieure waarschijnlijkheid van een onderwerp gegeven een afbeelding beschrijft.
a 119 image x 119 image RDM werd vervolgens berekend voor elk aantal geschatte onderwerpen met behulp van de afstanden tussen de distributies van topic probabilities voor elk paar afbeeldingen (hier gebaseerd op de cosinus afstand, die een symmetrische maat geeft voor de gelijkenis tussen twee topic vectoren). Echter, gezien de willekeur die de Gibbs sampling algoritme kan introduceren tijdens parameterschatting, herhaalden we het hele proces tien keer, wat leidt tot een 3D 119 afbeelding x 119 afbeelding x 10 herhaling RDM voor elk aantal geschatte onderwerpen. De metingen van de gelijkenis tussen hersenen of gedrag RDMs en collectieve RDMs (beta-coëfficiënten van het regressiemodel of Spearman ‘ s correlatiecoëfficiënten) werden gemiddeld over die tien herhalingen van topic modelling. Om het hele proces samen te vatten, voor een bepaald aantal onderwerpen: (1) we trainden een topic model op de Franse televisie nieuws bulletins en rapporten corpus; (2) We passen dit topic model aan de herdenkingsfoto ‘ s en hun bijschriften, behandelen elke foto als een nieuw document; (3) een 119 afbeelding X N onderwerp matrix, die de posterieure waarschijnlijkheid van een onderwerp gegeven een afbeelding beschrijft, werd geëxtraheerd en getransformeerd naar een 119 × 119 RDM; en (4) Dit proces werd tien keer herhaald, en voor elk onderwerp nummer, De gemiddelde gelijkenis met hersenen of gedrag RDMs werd berekend over deze tien gevallen.
validatie van het collectieve geheugenmodel en selectie van het onderwerpnummer
we probeerden de structuur van gedeelde representaties over individuen te kwantificeren en vergeleken dergelijke gedeelde schema ‘ s met ons collectieve geheugenmodel. Deze procedure zou ons ook in staat stellen om onafhankelijk een optimaal aantal onderwerpen te selecteren om de collectieve structuur van foto ‘ s te beschrijven die het beste overeenkomt met het gedeelde geheugen. Daartoe voerden 54 native Franstaligen (23 mannen, 31 vrouwen) tussen 20 en 39 jaar (gemiddelde = 27,3 jaar; z.d. = 5,6) de beeldopstelling uit. Deze taak werd uitgevoerd op exact dezelfde 119 herdenkingsfoto ‘ s, maar in tegenstelling tot onze MRI-deelnemers, die de dag ervoor Het Gedenkteken hadden bezocht, waren deze nieuwe deelnemers totaal onbekend met het gedenkteken. We hebben 54 individuele RDM ‘ s afgeleid van de Euclidische afstanden tussen de beelden. Vervolgens voerden we DISTATIS33 uit om de gedeelde structuur van representaties over die controlepersonen vast te leggen. DISTATIS is bij uitstek geschikt voor het berekenen van de beste overeenkomst of compromis over meerdere afstand matrices. De implementatie in MATLAB van DISTATIS kan worden gevonden bij https://www.utdallas.edu/~herve/, maar in het kort: (1) elk van de 54 RDMs werd eerst omgezet in een cross-product matrix na dubbele centrering en normalisatie tot zijn eerste eigenwaarde; (2) de cosinus gelijkenis structuur van alle paarsgewijze vergelijkingen van de 54 genormaliseerde cross-product van matrices is berekend met behulp van het RV-coëfficiënt; (3) de RV coefficientenmatrix het beschrijven van de relaties tussen RDMs werd voorgelegd aan eigen-ontleding, en het compromis matrix overeen met de som van de genormaliseerde cross-product van matrices gewogen door hun eerste eigenwaarde; (4) de eigen-ontleding van het compromis geproduceerd factor scores, dat de positie van elk van de 119 afbeeldingen in een N-dimensionale compromis ruimte; en (5) de afstandscorrelatiematrix van deze multidimensionale compromisruimtes kwam vervolgens overeen met de beste overeenkomst over alle 54 individuele RDM ‘ s die zijn afgeleid van de behavioural image arrangement taak. Deze afstand correlatiematrix kan worden gezien als een gedeeld schema dat de gemeenschappelijke semantische organisatie over individuen weerspiegelt. De collectieve RDMs uit het corpus van nieuwsbulletins en rapporten van de televisie waren vergelijkbaar met de structuur van gedeeld geheugen gemeten over controle individuen (Fig. 2c). Deze overeenkomst tussen collectief en gedeeld geheugen werd gemiddeld door bakken van vijf onderwerpen, en bereikte zijn maximum toen zes tot tien onderwerpen werden opgenomen tijdens topic discovery. Als gevolg hiervan werden alle daaropvolgende analyses met betrekking tot collectief of semantisch geheugen uitgevoerd met behulp van zes tot tien onderwerpen (en metingen van gelijkenis tussen hersenen of gedrag RDMs en collectieve of semantische RDMs werden gemiddeld binnen dit geselecteerde aantal onderwerpen).
constructie van een controlemodel van het semantisch domein van de Tweede Wereldoorlog
we gebruikten Franstalige Wikipedia-artikelen die verwijzen naar de Tweede Wereldoorlog als een referentiemodel van de specifieke semantische relaties tussen woorden die verband houden met de Tweede Wereldoorlog, en trainden een topic model dat we vervolgens passen bij de herdenkingsfoto ‘ s. Dit corpus (http://redac.univ-tlse2.fr/corpus/wikipedia.html) bevatte 664.982 artikelen bewerkt tot juni 2008, waaronder 2.643 artikelen waren specifiek gerelateerd aan de Tweede Wereldoorlog, en is eerder geëxtraheerd uit de dump Franse versie van Wikipedia artikelen (http://dumps.wikimedia.org/) en verwerkt met behulp van dezelfde morfosyntactische tagging tool61 gebruikt om ons corpus van de Franse televisie nieuws over de Tweede Wereldoorlog te verwerken..
Rapportagesamenvatting
nadere informatie over de opzet van het onderzoek is beschikbaar in de aan dit artikel gekoppelde samenvatting van de Nature Research Reporting.