Mr-deltagare
tjugofyra högerhänta franska talare mellan 22 och 39 år (medelvärde = 28, 6 år; s.d. = 4, 4) betalades för att delta (11 män, 13 kvinnor). De hade ingen rapporterad historia av neurologiska, medicinska, visuella eller minnesstörningar. Studien godkändes av regional research ethics committee (Comit Bisexual de Protection des personnes Nord-Ouest III, sponsor ID: C13-46, RCB ID: 2014-A00126-41, clinicaltrial.gov organisationsnummer: NCT02172677). Ytterligare två deltagare rekryterades också initialt för designinställning och justering (men analyserades inte). En deltagare ersattes utan ytterligare analyser på grund av viktiga Mr-artefakter som förhindrar bildanalys. Alla deltagare gav skriftligt samtycke innan de deltog. Deltagarna ombads att inte konsumera psykostimulanter, droger eller alkohol före eller under försöksperioden. Inga statistiska metoder användes för att förutbestämma provstorleken, men provstorleken som användes i denna studie (N = 24) är jämförbar med den för tidigare fMRI-studier med RSA.
material och Memorial exploration procedure
stimuli var 119 bilder utvalda från området världskriget, totalt krig på Caen Memorial Museum. Varje skärm fotograferades vid minnesmärket med en professionell digitalkamera och professionell belysning. Dessa bilder justerades sedan för kontrast och belysning, och den yttre konturen beskärdes med hjälp av bildbehandlingsprogram.
varje deltagare utforskade minnesmärket i slutet av eftermiddagen, strax innan Minnesdörren stängs. Detta säkerställde att andra besökare inte skulle störa deltagarnas turer. Deltagarna fick först allmänna instruktioner om experimentet och var utrustade med ett mobilt ögonspårningssystem (Applied Science Laboratory) bestående av glasögon och en liten lagringsenhet ansluten till glasögonen och bärs som en ryggsäck. Dessa glasögon monterades med en liten kamera som filmade deltagarens visuella utforskning, som spelades in och sändes på experimenterens bärbara dator. Även om vi inte presenterar dessa ögonspårningsdata, som går utöver omfattningen av det nuvarande papperet, kunde vi därmed spåra deltagarnas utforskning utan att följa dem och därmed se till att de följde följande instruktioner.
deltagarna fick höra att utforska ett begränsat utrymme i minnesmärket och fick en karta som beskriver den rumsliga layouten (se Fig. 1a). Detta utrymme omfattade totalt 119 bilder, var och en med en bildtext under, och organiserades enligt 22 tematiska zoner (zonnummer anges i cirklarna i Fig. 1a). Två andra zoner ingick i början och i slutet av turen för recency och primacy effekter. Dessa fyllnadszoner var alltid desamma, och deras bilder ingick inte i det efterföljande experimentella protokollet (och användes endast för träning och förtrogenhet med den efterföljande återkallningsuppgiften). Dessa 22 zoner grupperades enligt 6 huvudsektorer (illustrerad med de 6 huvudfärgerna på Minneskartan i Fig. 1a). Prospekteringsordningen för dessa huvudsektorer motverkades mellan deltagarna. Prospekteringsordningen för zonerna inom varje sektor randomiserades också enligt 6 olika prospekteringslistor (4 deltagare tilldelades var och en av dessa 6 listor). Varje zon började med en introduktionstavla som beskriver innehållet i zonen som deltagarna instruerades att läsa först innan de utforskade zonen. Deltagarna fick sedan utforska varje bild som komponerade zonen. De gjorde det genom att först läsa bildtexten nedan och var sedan fria att utforska innehållet i bilden så länge de önskade innan de gick vidare till nästa bild tills de slutförde sin rundtur, vars genomsnittliga varaktighet var 76 min (s.d. = 13.8). Observera att under denna Minnesresa var deltagarna inte medvetna om att deras minnen skulle testas nästa dag.
Recall task
nästa dag utförde deltagarna recall-uppgiften, som delades in i tre fMRI-sessioner, vardera ca 10 min långa. Varje session presenterade korta meningar som motsvarar korta utdrag som beskriver verkliga andra världskrigets bilder som deltagarna hade utforskat (det vill säga målmeningar; genomsnittligt ordantal = 7,8, s.d. = 2,4) eller inte hade utforskat (det vill säga distraktormeningar; genomsnittligt ordantal = 7,7, s.d. = 2,1) dagen innan. Totalt presenterades 119 målmeningar och 63 distraktormeningar slumpmässigt för deltagarna. Historiska händelser associerade med distraktormeningarna valdes för att matcha bilderna som visas vid minnesmärket när det gäller både innehåll och relativ andel bilder per zon. Det land där händelsen ägde rum visades också under varje mening, liksom året. Deltagarna var medvetna om närheten mellan distraktor och målmeningar och uppmuntrades därför starkt att förlita sig på deras förmåga att fullt ut minnas och visualisera de tillhörande bilderna för att utföra denna uppgift. Efter början av varje cueing-mening rapporterade deltagarna om de kunde komma ihåg den tillhörande bilden genom att trycka på Ja med höger pekfinger eller nej med höger långfinger. Meningarna dök upp för 4,5 s centrerade på en grå bakgrund. Försöken presenterades på ett stokastiskt sätt enligt en Poisson-fördelning (0 = 4) med ett 4,2 s genomsnittligt interstimulusintervall (intervall = 1-10 s) med 25% ytterligare nollhändelser och separerades med ett fixeringskors. Noggrannhet och prestanda för återkallningsuppgiften beskrivs i Tilläggstabell 2.
Bildarrangemangsuppgift
utanför skannern utförde deltagarna en bildarrangemangsuppgift, som användes som en proxy för enskilda scheman, på de 119 minnesbilderna. Bilderna måste placeras inom 1 till 28 cirklar beroende på deras historiska närhet. Denna bildarrangemangsuppgift skrevs i Javascript inbäddad i HTML-kod för internetnavigering, vilket ger stor flexibilitet i utförandet av uppgiften: deltagarna kunde zooma in eller ut med en rörlig bakgrund som liknar Google Maps, de kunde förstora en bild genom att klicka på den (med Minnestexten under), Minnestexterna dök upp på mouseover och deltagarna kunde välja och flytta flera bilder samtidigt. Bilder placerades ursprungligen i ett stort torg ovanför cirklarna. Deltagarna instruerades att granska varje bild och placera dem i cirklarna nedan när de gick igenom var och en av dem. De fick höra att gruppera i samma cirkel några bilder som de kände beskrivna nära eller liknande historiska händelser. Om de kände bilderna beskrivna frånkopplade händelser, instruerades de att placera dem i olika cirklar. Deltagarna var fria att använda så många cirklar som de ville, från en enda cirkel till alla cirklar som finns på kartan. Instruktionerna betonade att det absolut inte fanns något rätt antal cirklar att använda, och att de var fria att fortsätta som de ville. Deltagarna instruerades också att uppmärksamma avstånden mellan cirklar och deras relativa positioner. Ju mer de bedömde att bilderna var kopplade till anslutna eller frånkopplade händelser, desto närmare eller längre bort borde deras relativa positioner över cirklar vara. Slutligen, när huvudarrangemanget slutfördes för alla bilder, var deltagarna tvungna att justera positionerna för bilderna inom varje cirkel. De euklidiska avstånden mellan bildpositionerna återspeglade sedan den semantiska organisationen för en given individ och kunde kodas i en RDM.
MRI-förvärvsparametrar
MRI-data förvärvades på en 3 T Achieva-skanner (Philips) vid brain imaging Cyceron Center i Caen. Alla deltagare genomgick först högupplöst T1-viktad anatomisk volymavbildning med hjälp av en tredimensionell (3D) snabbfälteko (FFE)-sekvens (3D-T1-FFE sagittal; TR = 20 ms, TE = 4,6 ms, flip-vinkel = 10 kg, AVKÄNNINGSFAKTOR = 2, 180 skivor, skivtjocklek = 1 mm, inget gap, synfält = 256 kg 256 kg 180 mm3, matris = 256 kg 130 kg 180). Detta förvärv följdes av funktionella sessioner, som förvärvades med hjälp av en stigande T2-stjärna EPI-sekvens (MS-T2-star-FFE-epi axial; tr = 2050 ms, TE = 30 ms, flip vinkel = 78 kg, 32 skivor, skivtjocklek = 3 mm, 0,75 mm gap, matris = 64 kg 63 kg 32, synfält = 192 kg 192 kg 119 mm3, 310 volymer per körning).
Mr-förbehandling
Data analyserades med hjälp av statistisk parametrisk kartläggningsprogramvara (SPM12, Wellcome Department of Imaging Neuroscience). Under förbehandling, bilder justerades först rumsligt för att korrigera för rörelse och korrigerades sedan för tidsfördröjning för skivförvärv. Efter koregistrering med T1-strukturbilden normaliserades sedan funktionella bilder med hjälp av parametrarna härledda från den olinjära normaliseringen av enskilda gråmaterial T1-bilder till T1-mallen från Montreal Neurological Institute. Observera dock att unwarped och unsmoothed bilder användes för RSA. Bildnormalisering behövdes ändå för att beräkna det främre deformationsfältet och dess inversion, för att normalisera sökljusbilder eller linda tillbaka mPFC-avkastning till inbyggt utrymme (se nedan). Användningen av osmotade bilder är viktig för RSA eftersom den bevarar det finkorniga rumsliga mönstret som kännetecknar en regions representationsgeometri.
första nivåanalys
de förbehandlade tidsserierna, motsvarande inbyggda rymdbilder (det vill säga icke-skeva och osmotade bilder), filtrerades sedan högpass till 1/128 Hz i varje voxel. Regressorer i en allmän linjär modell (GLM) för varje voxel skapades genom att omvandla en deltafunktion (modellerad som 4,5 s kort epok) vid stimulansstart för varje tillstånd av intresse med en kanonisk hemodynamisk responsfunktion (HRF). En minsta kvadrat separat tillvägagångssätt användes 50, 51, som bestod av att uppskatta en separat GLM för varje försök. I varje GLM modellerades intresseförsöket som en regressor, och alla andra försök kollapsade i fem distinkta regressorer motsvarande återkallelse, miss, falska larm, korrigeringsavstötning och inga svarsförhållanden (se kompletterande Tabell 2 för beteendeprestationer på återkallningsuppgiften). Detta tillvägagångssätt har främjats för mönster med korta interstimulusintervall, när det finns en hög nivå av kollinearitet mellan hemodynamiska svar på successiva trials51. Ytterligare regressorer utan intresse var de sex omjusteringsparametrarna för att redogöra för linjära kvarvarande rörelseartiklar. Autokorrelation mellan GLM-resterna korrigerades med hjälp av första ordningens autoregressiva process, vilket resulterade i förvit data efter begränsad maximal sannolikhetsuppskattning.
regioner av intresse
mPFC definierades anatomiskt med hjälp av den automatiska anatomiska märkningen atlas52 och delades upp i Vmpfc och dmPFC Roi. DmPFC motsvarade den bilaterala frontala överlägsna mediala gyrusen i den automatiserade anatomiska Märkningsatlasen (index 2601 och 2602). Vmpfc-masken inkluderade den bilaterala fronto-orbitala mediala gyrusen (index 2611 och 2612), den bilaterala rektusen (index 2701 och 2702) och den ventrala delen (Z-koordinater sämre eller lika med noll) av den bilaterala främre cingulum (index 4001 och 4002). Dessa två Roi visas i Fig. 3b. Dessa två maskbilder lindades sedan tillbaka till varje deltagares inbyggda utrymme med det inversa av deformationsfältet beräknat under normaliseringsprocessen.
representativ likhetsanalys
Kontrastkartor över enskilda minnen beräknades sedan för varje återkallad bild och användes för att beräkna RDMs i våra Roi. För varje individ och varje ROI beräknades hjärnans RDM: er enligt följande: för varje voxel var aktivitetsvektorn över återkallade bilder medelcentrerad och skalad till sin standardavvikelse (det vill säga z-poäng); sedan jämfördes aktivitetsmönstren i en given ROI för varje par bilder med hjälp av rumslig korrelation, och skillnaden gavs sedan med 1 minus korrelationen. På beteendenivå härleddes individuella RDMs från de euklidiska avstånden mellan alla möjliga par bilder arrangerade av deltagarna på den tvådimensionella rumsliga layouten. De övre triangulära formerna av dessa hjärn-eller beteendemässiga RDM extraherades sedan och jämfördes med de övre triangulära formerna av RDM-modeller som beskriver kollektiva scheman, semantiska avstånd (härledda från Wikipedia andra världskrigets artiklar; se nedan), kontextuella rumsliga avstånd (euklidiska avstånd för bildernas rumsliga positioner) och tidsmässiga avstånd (euklidiska avstånd för bildernas tidsmässiga rangordning under Minnesutforskning). Dessa jämförelser mellan hjärna/beteende och modell RDMs uppnåddes med hjälp av en regressionsmodell. Både regressorer och data var ursprungligen ranktransformerade för att testa för olinjära monotona relationer. Med tanke på att kollektiva, semantiska (det vill säga Wikipedia) och kontextuella (det vill säga rumsliga och tidsmässiga) RDM-modeller inte är ortogonala och överlappar i viss utsträckning, hjälper en regressionsmodell att klargöra den unika variansen som kan hänföras till var och en av modellprediktorerna. För varje deltagare upprepades denna regressionsmodell för varje ämne av intresse, och de tio upprepningarna av ämnesmodellen och modellregressionskoefficienten var i genomsnitt över dessa iterationer. Alla regressionsmodeller var fullrankade och variansinflationsfaktorn var mindre än 1,5 för varje regressor, vilket bekräftade identifierbarheten och effektiviteten hos våra modeller. Resultaten av dessa regressionsmodeller rapporteras i huvudtexten, men vi rapporterar också resultaten av standard Spearmans korrelationer testade isolerat, för fullständighetens skull, i Fig. 3c och i Tilläggstabell 1 för statistiska tester. Endast objekt som återkallades korrekt inkluderades i analysen av aktivitetsmönster. Gruppnivåavslutningar genomfördes med hjälp av icke-parametrisk statistik över slumpmässiga effekter för att testa för både RDM-släktskap och skillnader genom att starta upp ämnesuppsättningen med 5 000 iterationer28. För varje modell RDM eller varje par kontrasterade modell RDMs, vi hade inte antaganden om den underliggande fördelningen och utförde icke-parametriska slumpmässiga effekter statistiska tester med hjälp av en bootstrapping-metod. Vi utförde en genomsnittlig jämförelse vid varje bootstrap-uppsättning och uppskattade P-värdet som andelen bootstrap-prover längre i svansarna än noll. De förväntade proportionerna av typ i-fel över flera tester av både RDM-modellrelaterad och modelljämförelse kontrollerades med hjälp av FDR-korrigeringen, med en önskad FDR q = 0.05 och antar ett positivt beroende mellan villkor34[,53. För testet av RDM-modellrelaterad beräknades den förväntade FDR med alla okorrigerade en-tailed P-värden för testade modeller. För testet av RDM-modelljämförelse begränsade vi korrigeringen till vår huvudhypotes och inkluderade endast jämförelser som involverade det kollektiva minnet RDM (med avseende på andra referensmodeller) för att beräkna den förväntade FDR, med hjälp av två-tailed P-värden. Vi rapporterar justerade p-värden och använder bootstrapping-iterationer för att bestämma 95% percentil CIs. Bullertaket rapporteras i Fig. 3c återspeglar korrelationen mellan deltagare i hjärnans RDMs. Denna korrelation beräknades för varje deltagare som korrelationen mellan deltagarens hjärna RDM och den genomsnittliga hjärnan RDM för de återstående deltagarna34. Bullertaket avbildat i Fig. 3c motsvarar genomsnittet av dessa individuella korrelationer.
Sökljusanalys
maskor av den vita substansen och pialytorna i cortex rekonstruerades från T1-viktade bilder som samlats in för varje deltagare med hjälp av Freesurfer-mjukvarupaketet version 554,55. Vi använde RSA_DEFINESEARCHLIGHT MATLAB-funktionen från RSA toolbox34 (https://github.com/rsagroup/rsatoolbox), som också bygger på Surfing toolbox functions56 (https://github.com/nno/surfing), för att definiera ett ytbaserat sökljus för båda halvkärmarna (med en 40-voxel sökljus med en radie av 10 mm). Voxlar i närheten av en eller flera noder på ytan valdes med hjälp av ett geodetiskt avståndsmått och genom att konstruera virtuella linjer som kopplade motsvarande noder på pial-och vitmaterialytorna. Denna procedur producerar ett sökljus efter ytkurvaturen, vilket minskar rumslig förspänning under analysen av fMRI-mönster. Till skillnad från stadsdelar definierade volymetriskt resulterade detta i stadsdelar med en krökt cylindrisk form som följde konturerna av sulci och gyri för varje individ. När sökljusstrukturen för varje toppunkt konstruerades och kartlades till det funktionella bildutrymmet var mönster för återkallad aktivitet vid varje voxel som komponerade sökljuset medelcentrerat och skalat till sina standardavvikelser innan de beräknade olikhetsstrukturen (1 minus den rumsliga korrelationen) över alla parvisa jämförelser av återkallade mönster. De övre triangulära formerna av dessa sökljus RDM extraherades sedan, ranktransformerades och jämfördes med hjälp av en regressionsmodell till den ranktransformerade övre triangulära formen av alla RDM-modeller (kollektiva, semantiska och kontextuella). Resultatet av denna sökljusanalys skapade en betakarta, en volym där varje voxel innehåller en statistik för sökljuset centrerat vid den voxeln. Dessa betakartor på första nivån för varje modell normaliserades till Montreal Neurological Institute T1-mallen och slätades ut med en 10 mm fullbredd vid halv maximal Gaussisk kärna. Dessa betakartor för standardutrymme-deltagare skickades till en icke-parametrisk analys av slumpmässiga effekter på andra nivå i FSL version 5.0.1157. För att korrigera för flera jämförelser skickades beta-kartan på gruppnivå till maximal permutationstestning med hjälp av Tröskelfri klusterförbättring58 (TFCE), vilket ger en bra kompromiss mellan den alltför känsliga klusterbaserade tröskelvärdet och den alltför konservativa hela hjärnan voxelbaserad korrigering. För att testa RDM-modellrelaterad och skillnader korrigerades sedan tfce-kartor (Pcorrected < 0.05) för den familjevisa felfrekvensen med hjälp av standardpermutationstester implementerade i FSL med randomize-funktionen (10 000 permutationer). Resultaten av sökljusanalysen rapporteras i utökade Data Fig. 1.
Collective memory corpus beskrivning och analys
corpus samlades in av MATRICE project (http://www.matricememory.fr/?lang=en), en tvärvetenskaplig och teknisk plattform, vars syfte är att tillhandahålla verktyg och teknisk och teoretisk bakgrund för att förstå förhållandet mellan kollektivt och individuellt minne. De audiovisuella klipp som ursprungligen komponerade corpus lagrades vid National Audiovisual Institute, en av HUVUDPARTNERNA i MATRICE-projektet och ett offentligt institut vars mål är att arkivera alla audiovisuella produktioner som sänds på fransk TV eller radio. För denna studie inkluderade vi i vår corpus alla TV-nyhetsbulletiner och rapporter (exklusive radioprogram eller dokumentärer) som sändes från 1980 till 2010 med andra världskriget som gemensamt tema, vilket ledde till totalt 3 766 dokument. Vi fokuserar på denna tidsperiod av tre skäl. Först överlappar 1980 till 2010 i stor utsträckning med våra deltagares livstid. För det andra motsvarar denna period etableringen av en ny berättelse för det franska kollektiva minnet (det vill säga en ny ”r Ugui-regim av M Ugui Morialit Ugui”59). Detta inkluderade uppkomsten och bekräftelsen av Shoah-minnet, liksom stora försök som erkände den franska statens och dess folks deltagande och deras representanter vid den tiden (till exempel Bousquet, Leguay, Touvier och Papon), i utvisning och dödande av judar. För det tredje, tack vare framsteg inom automatisk taligenkänning och tillgängligheten av elektroniska texter med vilka samtidiga språkmodeller byggdes för att bearbeta data som registrerats efter 1980, konverterades de 3 766 ljudfilerna till XML-format med hjälp av tal-till-text-konverteringsalgoritmer som utvecklats av Laboratoire d ’ informatique pour la M.
en gång konverterad till text bearbetades vår corpus ursprungligen manuellt för att kassera segment som inte var relaterade till andra världskriget (uteslutande hålla avsnitt dedikerade till detta ämne). Under denna operation korrigerades de automatiska tal-till-text-transkriptionerna dessutom av en mänsklig läsare. Efter denna första förbehandling extraherades en separat XML-fil för varje dokument. Dessa filer bearbetades sedan med textdataanalysmetoder med hjälp av TXM-programvaran60 (http://textometrie.ens-lyon.fr/) kopplad till TreeTagger morphosyntactic analyser61 (http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/). TXM tillåter användaren att kommentera varje instans av ett ord (det vill säga token) till dess motsvarande lemma (den kanoniska formen av en uppsättning ord) och att gå vidare till en morfosyntaktisk märkning av varje ord i en corpus. Corpus kan sedan utforskas med Corpus Query Language (CQL) – förfrågningar för att tagga och hämta specifika grammatiska kategorier, formulär, lemmas eller någon information som är kopplad till ordet. En lista över CQL-förfrågningar genererades först automatiskt för varje substantiv, verb eller adjektiv lemma i corpus. Sällsynta lemmas (mindre än tio händelser), stoppord och vanliga verb (till exempel ”vara” och ”ha”) togs bort i processen och inkluderades inte i efterföljande analyser. Till exempel skulle denna algoritm gå igenom corpus och producera en unik CQL-fråga (till exempel (lemma = ”fight”%c)) motsvarande någon instans av verbet ”fight” i corpus (det vill säga ”fight”, ”fighted” eller ”fighting”). %C-modifieraren som ingår i denna begäran används för att neutralisera teckenfallet för assimilerade lemma-former (det vill säga ”fight”, ”Fight” eller ”FIGHT”). En första lista med cirka 6 500 CQL-förfrågningar genererades automatiskt på detta sätt. Denna lista kontrollerades manuellt för att ta bort CQL-förfrågningar som producerats av felaktig transkription, för att ibland gruppera vissa förfrågningar under en enda enhet (till exempel (lemma = ”drama”%c)|(lemma = ”dramatic”%c)), för att slå samman bigram när det är lämpligt (till exempel (lemma = ”chief”%c)()?(lemma = ”stat” % c) för ”statschef”) eller att anpassa sig till olika ortografiska former (till exempel (lemma = ”Gorbatchev”%c)|(lemma = ”Gorbatchov”%c)). Efter denna första kontroll och justering återstod totalt 6,240-förfrågningar för att sammanfatta de 1,431,790-tokens som komponerade vår corpus.
en lemma X-dokumentfrekvensmatris som räknade antalet händelser extraherades och skickades till en LDA-analys utförd med hjälp av verktygslådan Machine Learning for LanguagE (MALLET; http://mallet.cs.umass.edu/topics.php). Ämnesmodeller26, 29, 30 anser att dokument genereras av blandningar av ämnen. I detta sammanhang motsvarar ett ämne fördelningen av sannolikheter över alla ord som finns i alla dokument (Hur sannolikt är ett givet ord att associeras med ett ämne). Ur detta perspektiv kan ett dokument genereras genom att tilldela en sannolikhetsfördelning över ämnen. För varje instans i ett dokument väljs ett ämne beroende på dess tidigare ämnessannolikhetsfördelning, och ett ord dras från det ämnet. MALLET använder Gibbs samplingsalgoritm för att invertera denna process och härleda uppsättningen ämnen som var ansvariga för att generera en samling dokument och deras sannolikheter över ord.
vi tränade först ämnesmodeller på andra världskrigets nyhetsbulletiner och rapporterar corpus med hjälp av MALLET train-topic engine (se utökad data Fig. 2 för en illustration av de ämnen som skapats med denna teknik). Vi varierade antalet ämnen som tillåts från 2 till 100, i steg om 1, och ställde in Alfa-parametern till 50/N-ämnen och start beta-parametern till 0.1 (som föreslagits i andra verk som modellerar en stor korpus av texter för semantiska syften62). För varje antal ämnen använde vi 500 iterationer för att uppskatta ord-och dokumentets ämnessannolikheter. Vi använde sedan MALLET inferencer-verktyget för att passa LDA-modellen till minnesbilderna och uppskatta deras ämnessannolikheter. För detta ändamål behandlades varje bild som ett nytt dokument och märktes med nyckelord (även lemmatiserade), som direkt härleddes från minnesbilderna under bilderna. Totalt 449 lemmas användes för att beskriva minnesbilderna. Av dessa lemmas hittades också 428 i listan över 6 240 lemmas som beskriver corpus av nyhetsbulletiner och rapporter. Ämnet inferentiell process ledde således till en sannolikhetsfördelningsmatris av 119 bilder x n ämnen, som beskriver den bakre sannolikheten för ett ämne som ges en bild.
en 119-bild x 119-bild RDM beräknades sedan för varje antal uppskattade ämnen med hjälp av avstånden mellan fördelningarna av ämnessannolikheter för varje par bilder (baserat här på cosinusavståndet, vilket ger ett symmetriskt mått på likheten mellan två ämnesvektorer). Men med tanke på slumpmässigheten som Gibbs-provtagningsalgoritmen kan införa under parameteruppskattning, upprepade vi hela processen tio gånger, vilket ledde till en 3D 119-bild x 119-bild x 10-repetition RDM för varje antal uppskattade ämnen. Mätningarna av likheten mellan hjärnan eller beteende RDMs och kollektiva RDMs (betakoefficienter för regressionsmodellen eller Spearmans korrelationskoefficienter) var i genomsnitt över de tio upprepningarna av ämnesmodellering. För att sammanfatta hela processen, för ett visst antal ämnen: (1) vi utbildade en ämnesmodell på de franska TV – nyhetsbulletinerna och rapporterar corpus; (2) Vi passar denna ämnesmodell till minnesbilderna och deras bildtexter och behandlar varje bild som ett nytt dokument; (3) en 119-bild x N-ämnesmatris, som beskriver den bakre sannolikheten för ett ämne som ges en bild, extraherades och omvandlades till en 119-119-RDM-RDM; och (4) denna process upprepades tio gånger, och för varje ämnesnummer beräknades den genomsnittliga likheten med hjärn-eller beteendemässiga RDM-värden över dessa tio instanser.
validering av den kollektiva minnesmodellen och val av ämnesnumret
vi försökte kvantifiera strukturen för delade representationer mellan individer och jämförde sådana delade scheman med vår kollektiva minnesmodell. Denna procedur skulle också tillåta oss att självständigt välja ett optimalt antal ämnen för att beskriva den kollektiva strukturen av bilder som bäst motsvarar det delade minnet. För detta ändamål utförde 54 franska modersmål (23 män, 31 kvinnor) mellan 20 och 39 år (medelvärde = 27,3 år; s.d. = 5,6) bildarrangemangsuppgiften. Denna uppgift utfördes på exakt samma 119 minnesbilder, men till skillnad från våra Mr-deltagare, som hade besökt Minnesmärket dagen innan, var dessa nya deltagare helt okända med Minnesmärket. Vi härledde 54 enskilda RDMs från de euklidiska avstånden mellan bilderna. Vi utförde sedan DISTATIS33 för att fånga den delade strukturen av representationer över dessa kontrollindivider. DISTATIS är idealisk för att beräkna det bästa avtalet eller kompromissen över flera avståndsmatriser. Implementeringen i MATLAB av DISTATIS finns på https://www.utdallas.edu/~herve/, men i korthet: (1) var och en av de 54 RDMs omvandlades först till en tvärproduktmatris efter dubbelcentrering och normalisering till dess första egenvärde; (2) cosinuslikhetsstrukturen för alla parvisa jämförelser av de 54 normaliserade tvärproduktmatriserna beräknades med användning av RV-koefficienten; (3) RV-koefficientmatrisen som beskriver förhållandena mellan RDMs överlämnades till egennedbrytning, och kompromissmatrisen motsvarade summan av de normaliserade tvärproduktmatriserna viktade med deras första egenvärde; (4) egennedbrytningen av kompromissen producerade faktorpoäng, som beskrev positionen för var och en av de 119 bilderna i ett N-dimensionellt kompromissutrymme; och (5) avståndskorrelationsmatrisen för dessa flerdimensionella kompromissutrymmen motsvarade sedan det bästa avtalet över alla 54 enskilda RDM som härrör från beteendebildarrangemangsuppgiften. Denna avståndskorrelationsmatris kan ses som ett delat schema som återspeglar den gemensamma semantiska organisationen mellan individer. De kollektiva RDM: erna extraherade från korpus av TV-nyhetsbulletiner och rapporter liknade strukturen för delat minne mätt över kontrollindivider (Fig. 2c). Denna likhet mellan kollektivt och delat minne var i genomsnitt av fack med fem ämnen och nådde sitt maximala när sex till tio ämnen inkluderades under ämnesupptäckt. Som ett resultat utfördes alla efterföljande analyser som involverade kollektivt eller semantiskt minne med sex till tio ämnen (och mått på likhet mellan hjärn-eller beteendemässiga RDMs och kollektiva eller semantiska RDMs var i genomsnitt inom detta valda antal ämnen).
konstruktion av en kontrollmodell av andra världskrigets semantiska domän
vi använde franska Wikipedia-artiklar som hänvisar till andra världskriget som en riktmärke för de specifika semantiska relationerna mellan ord relaterade till andra världskriget och tränade en ämnesmodell som vi sedan passar till minnesbilderna. Denna korpus (http://redac.univ-tlse2.fr/corpus/wikipedia.html) inkluderade 664 982 artiklar redigerade fram till juni 2008, bland vilka 2 643 artiklar specifikt var relaterade till andra världskriget och har tidigare extraherats från den dumpade franska versionen av Wikipedia-artiklar (http://dumps.wikimedia.org/) och bearbetats med samma morphosyntactic tagging tool61 som användes för att bearbeta vår korpus av franska tv-nyheter om andra världskriget. när vi hade importerat korpuset till TXM tillämpade vi exakt samma analysmetod som vi tidigare använde för att konstruera modellen för kollektivt minne (se kollektiva Memory corpus beskrivning och analys).
rapportsammanfattning
ytterligare information om forskningsdesign finns i Nature Research Reporting Summary kopplad till denna artikel.