Смысловой центр композиции: Искусство рассматривания картин. Глава 4. О композиционных центрах в картине: salman_spektor — LiveJournal

Older

КОМАНДА СУДОМОДЕЛИСТОВ СТАВРОПОЛЬСКОГО КРАЯ – ПОБЕДИТЕЛЬ ВСЕРОССИЙСКИХ СОРЕВНОВАНИЙ

Композиционная семантика | SpringerLink

Из предыдущей главы, следуя распределенной гипотезе, можно было бы спроецировать семантическое значение слова в низкоразмерный вектор с действительными значениями в соответствии с его контекстной информацией, которая называется векторами слов. Здесь возникает еще одна проблема: как сжать высшую семантическую единицу в вектор или другие виды математических представлений, такие как матрица или тензор. Другими словами, использование обучения представлению для моделирования функции семантической композиции остается нерешенной, но постоянно растущей темой исследований.

Композиционность позволяет естественным языкам конструировать сложные семантические значения из комбинаций более простых семантических элементов. Это свойство часто фиксируется следующим принципом: семантическое значение целого является функцией семантических значений его отдельных частей. Следовательно, семантические значения сложных структур будут зависеть от того, как сочетаются их семантические элементы.

$$ \ begin {выровнено} \ mathbf {p} = f (\ mathbf {u}, \ mathbf {v}), \ end {align} $$

(3.1)

$$ \ begin { выровнено} \ mathbf {p} = f (\ mathbf {u}, \ mathbf {v}, \ mathscr {R}), \ end {align} $$

(3.2)

$$ \ begin {align} \ mathbf {p} = f (\ mathbf { u}, \ mathbf {v}, \ mathscr {R}, \ mathscr {K}), \ end {align} $$

(3.3)

Ссылка [4] утверждает, что мы должны спрашивать значение слова изолированно, но только в контексте утверждения. То есть значение целого строится из его частей, а значения частей тем временем производятся из целого. Более того, композиционность — это вопрос степени, а не двоичное понятие. Лингвистические структуры варьируются от полностью композиционных (например, черные волосы) до частично композиционных, синтаксически фиксированных выражений (например,g., воспользуйтесь преимуществом), в которых составляющим все еще можно присвоить отдельные значения, и некомпозиционные идиомы (например, пнуть ведро) или многословные выражения (например, в общем и целом), значение которых не может быть распределено по их составляющие [11].

Из трех приведенных выше уравнений, формулирующих композиционную функцию, можно сделать вывод, что композицию можно рассматривать как конкретную бинарную операцию, но не только. Синтаксическое сообщение может помочь указать конкретный подход, в то время как базовые знания помогают объяснить некоторые неясные слова или определенные контекстно-зависимые объекты, такие как местоимения.Помимо двоичных композиционных операций, можно было бы построить композицию на уровне предложения, рекурсивно применяя двоичные операции композиции. В этой главе мы сначала объясним некоторые виды основных функций двоичной композиции как в семантическом векторном пространстве, так и в матрично-векторном пространстве. После этого мы перейдем к более сложным сценариям композиции и представим несколько подходов к моделированию композиции на уровне предложений.

Дифференциальный вклад регионов левого полушария в базовую семантическую композицию

Введение

Одной из основных характеристик человеческого языка является способность объединять отдельные слова в сложные фразы.Семантическое знание помогает нам понимать отдельные слова, а процессы семантической композиции определяют способ объединения отдельных значений в более сложные. Современные нейроанатомические модели семантической обработки подчеркивают широко распространенную лобно-височно-теменную сеть в левом полушарии (Binder et al., 2009). Сосредоточившись на семантическом составе, ряд исследований выявил несколько областей мозга в левом полушарии, демонстрирующих более высокую активацию предложений, чем списки слов, включая угловую извилину (AG) в нижней теменной доле, заднюю среднюю височную извилину (pMTG), переднюю височную извилину. доли (ATL) и передней нижней лобной извилины (aIFG) (Brennan & Pylkkänen, 2012; Humphries et al., 2006; Lau et al., 2008; Matchin et al., 2017; Pallier et al., 2011; Vandenberghe et al., 2002; Vigneau et al., 2006). Однако из-за сложности манипуляций с предложениями может быть трудно отличить процессы, ориентированные на семантическую композицию, от процессов, включающих другие когнитивные области, такие как синтаксис, рабочая память, внимание и когнитивный контроль (Badre, 2008; Makuuchi & Friederici, 2013). В последние годы нейробиологи все больше интересуются более простыми парадигмами, в которых используются фразы из двух или трех слов для определения семантической композиции в более контролируемых лингвистических конструкциях (Pylkkänen, 2019).

Одним из предложенных ключевых регионов для базовой семантической композиции является AG. В нескольких исследованиях сообщается о наборе левого (а иногда и правого) AG для двухсловных фраз относительно отдельных слов (Bemis & Pylkkänen, 2013b), значимых по сравнению с бессмысленными фразами прилагательное-существительное (Graves et al., 2010; Molinaro et al. ., 2015; Price et al., 2015) и для отслеживания тематических отношений между словами (Boylan, Trueswell, & Thompson-Schill 2015; Boylan, Trueswell, & Thompson-Schill 2017; Lewis, Poeppel, & Murphy 2018).

Еще одна область, которая постоянно рассматривается в качестве ключевой области семантической композиции, — это ATL. В рамках модели «концентратор и спицы» считается, что ATL связывает информацию из различных модальностей («спиц»), выступая в качестве трансмодального «концентратора» (см. Lambon Ralph et al. 2016). Эта точка зрения подтверждается выводом о том, что у пациентов с семантической деменцией, у которых наблюдается двусторонняя атрофия ATL, нарушается семантическая обработка всех входных модальностей и типов концепций (Mummery et al., 2000). Что касается базовой семантической композиции, большинство доказательств того, что ATL является ключевой областью концептуальной комбинации, получено из исследований магнитоэнцефалографии (MEG). Повышенная активность в двустороннем ATL была показана для фраз из двух слов по сравнению с отдельными словами как в визуальной, так и в слуховой модальности (Bemis & Pylkkänen, 2013b) и на разных языках, включая английский, испанский, арабский и американский язык жестов ( Bemis & Pylkkänen, 2011; Blanco-Elorrieta et al., 2018; Molinaro et al., 2015; М. Вестерлунд и др., 2015). Однако другие исследования также показали, что активность ATL сильнее, когда композиция приводит к увеличению специфичности концепции (например, более высокая активация ATL для «томатного блюда», чем для «овощного блюда») (Zhang & Pylkkänen, 2015).

Функциональные данные МРТ о том, что ATL является ключевым регионом для базовой семантической композиции, довольно скудны, что можно объяснить несколькими методологическими проблемами. Во-первых, ATL страдает от потери сигнала на фМРТ из-за его расположения рядом с пазухами.Во-вторых, использование низкоуровневых базовых линий, которые все еще задействуют семантическую обработку (например, внутреннюю речь), могло привести к более низкой вероятности обнаружения активации ATL, поскольку семантическая активация в этой области была удалена во время анализа вычитания (Visser et al., 2010 ).

Наконец, область, которой уделялось меньше внимания в контексте семантической композиции, но которая скорее упоминалась как исполнительная область семантического контроля, — это левая aIFG (BA45 / 47). Повышенная активация aIFG наблюдалась в предыдущих исследованиях для предложений по сравнению со списками слов (Matchin, Liao, et al., 2019; Pallier et al., 2011), неоднозначность по отношению к однозначным предложениям (Vitello et al., 2014) и фразам из двух слов по сравнению с отдельными словами (Schell et al., 2017). Последние авторы интерпретируют роль BA45 в контексте базовой семантической композиции как отслеживание количества слов, которые могут быть интегрированы в контекст. Таким образом, фразы из двух слов всегда должны вызывать более высокую активность в левом aIFG, чем отдельные слова.

Несмотря на значительные усилия по описанию нейронных коррелятов базовой семантической композиции, некоторые вопросы остаются открытыми.Во-первых, хотя существует консенсус в отношении того, что AG, ATL и aIFG играют важную роль в семантическом составе, большинство исследований фМРТ сосредоточено на вкладе отдельных регионов вместо исследования функциональных взаимодействий на более широком сетевом уровне. Следовательно, остается неясным, как эти области влияют друг на друга при успешной композиции. На уровне отдельных слов Hartwigsen et al. (2015) показали, что левый AG и aIFG способны компенсировать фокальное нарушение соответствующей другой области, вызванное транскраниальной магнитной стимуляцией (TMS).В этом исследовании семантические решения были нарушены только после того, как были нарушены оба региона, показывая, что взаимодействие этих регионов имеет причинное значение для семантических решений. Однако неясно, ограничивается ли это взаимодействие уровнем одного слова или оно также участвует в композиционной обработке.

Кроме того, остается неясным, зависит ли ранее сообщаемое рекрутирование областей мозга во время семантической композиции от задачи. В то время как в некоторых исследованиях испытуемых прямо просили составить смысл стимулов (Bemis & Pylkkänen, 2011; Graves et al., 2010; Price et al., 2015; Schell et al., 2017), другие намеренно не сделали (Graves et al., 2010; Matchin, Brodbeck, et al., 2019; Matchin et al., 2017; Matchin, Liao, et al., 2019; Molinaro et al., 2019; Molinaro et al. ., 2015). В нескольких исследованиях напрямую сравнивались разные задачи, сохраняя при этом одинаковый стимулирующий материал, и, таким образом, разные результаты между исследованиями могут отражать различия в обработке задач и требованиях.

Наконец, отметим, что в нескольких существующих исследованиях, состоящих из двух слов, использовались разные исходные условия.В то время как в некоторых исследованиях сравнивалась обработка фраз из двух слов с отдельными словами (например, Bemis & Pylkkänen, 2011, 2013a; Schell et al., 2017), в других рассматривались более значимые и менее значимые комбинации из двух слов (Graves et al. , 2010; Молинаро и др., 2015; Прайс и др., 2015). Возможно, что различные семантические области, описанные выше, выполняют различные задачи в процессе семантической композиции, такие как отслеживание количества слов в сравнении с объединением значений двух отдельных концептов в единое целое.Таким образом, для решения этой проблемы полезно исследовать возможные различные процессы в одной экспериментальной установке.

В текущем эксперименте мы создали парадигму, состоящую из трех разных двухсловных фраз: значимых фраз («свежее яблоко»), аномальных фраз («бодрствующее яблоко») и псевдословных фраз, содержащих псевдонимы («бодрствующий гуфель»; см. Подробности в разделе «Методы»). Этот дизайн позволил нам сначала изучить семантические процессы, управляющие составом более сложных значений по сравнению с более простыми.Таким образом, мы могли отделить (1) осмысленного фразового состава (значащая> фраза псевдослова) от (2) аномального фразового состава (аномальная> фраза псевдослова). Кроме того, перекрытие двух контрастов покажет области, которые участвуют в (3) общей фразовой композиции , независимо от правдоподобия полученной фразы. Во-вторых, учитывая, что синтаксическая информация оставалась постоянной в разных условиях, мы могли бы дополнительно измерить еще два конкретных процесса , непосредственно затрагивающих семантическую правдоподобность: (4) конкретная значимая композиция (значимая> аномальная) и (5) конкретная аномальная композиция (аномальный> значимый).Кроме того, чтобы выяснить, зависит ли активация регионов семантического ядра от задачи, мы включили как неявную, так и явную семантическую задачу. Это позволило нам различать специфические для задачи и автоматические процессы во время семантической композиции. Если семантическая композиция происходит неявно и независимо от требований задачи, мы должны видеть аналогичные результаты для явных и неявных задач.

Наконец, чтобы оценить связанные с задачами изменения функциональной связности в сети семантической композиции, мы провели анализ психофизиологического взаимодействия.Эта сетевая перспектива становится все более популярной в изучении нейрокогнитивных процессов, поскольку стало ясно, что мозг организован в виде крупномасштабных сетей (Bassett & Sporns, 2017; Hartwigsen, 2018). Таким образом, мы стремились предоставить исчерпывающую характеристику сети для базовой семантической композиции и изучить потенциальные зависимости задач в шаблонах активации.

На основании вышеупомянутых исследований мы ожидали обнаружить высокую вовлеченность левых AG, ATL и aIFG во время осмысленной фразовой композиции , отражающей семантические процессы, управляющие формированием сложных значений из более простых.В рамках этой сети AG и ATL должны быть более конкретно задействованы во время обработки значимых фраз по сравнению с аномальными фразами (, специфическая значимая композиция, ) в качестве эффекта семантической правдоподобности, независимо от фразовой сложности. И наоборот, aIFG должен быть максимально задействован во время обработки аномальных фраз по сравнению со значимыми фразами (, специфическая аномальная композиция, ), как функция более высокого семантического контроля. Управляя как явной, так и неявной задачей, мы стремились идентифицировать регионы, которые активируются в зависимости от задачи.Мы ожидали более низкого фронтального участия для явной задачи, в то время как мы предположили, что области, которые связаны с автоматической семантической обработкой (например, левый ATL, AG), будут активированы также в неявной задаче. Предполагалось, что потенциальное совпадение активации для двух задач будет отражать процессы семантической композиции, не зависящие от задачи. Что касается функциональной связности, мы предположили, что взаимодействие между левым AG и aIFG, как ранее наблюдалось во время обработки одного текста, будет способствовать пониманию фраз из двух слов.Однако мы также интересовались связностью других регионов семантической сети и поэтому провели несколько исследовательских анализов с исходными регионами из результатов одномерной GLM.

Методы

Участники

Тридцать семь правшей, говорящих на немецком языке, приняли участие в двух сессиях исследования. У них был нормальный слух, скорректированное до нормального зрения, не было в анамнезе неврологических расстройств или противопоказаний к МР-сканированию. Четыре участника были исключены из анализа из-за низкой точности задания (см. Поведенческий анализ).Последняя группа участников, включенных в анализ, состояла из 33 участников (16 женщин, средний возраст 26 лет, SD = 3,6 года).

Все участники дали свое письменное информированное согласие и получили компенсацию в размере 10 евро в час. Протокол исследования соответствовал принципам Хельсинкской декларации и был одобрен местным комитетом по этике Лейпцигского университета.

Экспериментальная парадигма

Все участники завершили два связанных с событием сеанса фМРТ, разделенных как минимум одной неделей, с двумя разными задачами на один и тот же набор стимулов.Слуховые стимулы предъявлялись с помощью программного пакета Presentation (Neurobehavioral Systems, Inc., Олбани, Калифорния, США) через MR-совместимые внутриканальные наушники (MR-Confon, Магдебург, Германия). Громкость была отрегулирована до оптимального индивидуального уровня слуха. Стимулы состояли из пар произнесенных слов, которые были либо значимыми («свежее яблоко»), либо аномальными («бодрствующее яблоко»), либо существительное было заменено псевдословом («бодрствующий гуфел») (см. Рис. 1А).

(A) Условия эксперимента и описания задач, использованные в исследовании.(B) Пример трех испытаний. Интервал между испытаниями (ITI) колебался от 2500 мс до 7000 мс при средней продолжительности 4000 мс. (C) Контрасты интереса с задействованными композиционными процессами.

На первом занятии участники выполнили неявную задачу относительно значения фраз. Их проинструктировали указать, имеют ли оба слова одинаковый лексический статус (т.е., одно настоящее слово и одно псевдослово). Основываясь на обширной литературе по праймингу (см. Lau et al., 2008), мы ожидали, что наша измененная задача лексического решения будет улавливать автоматические семантические процессы. Мы добавили тесты-заполнители с двумя псевдословами и псевдо-прилагательным в паре с настоящим существительным, чтобы участники не могли сосредоточиться только на втором слове. Кроме того, испытания с одним словом служили контрольными стимулами для уравновешивания положительных и отрицательных ответов. Участников учили, что для отдельных слов требуется ответ « разных, », поскольку другого слова для сравнения не было.Мы отмечаем, что это, возможно, не было интуитивным ответом и усложнило задачу, однако мы не включали испытания отдельных слов в какие-либо прямые сравнения, поскольку они служили только контрольными испытаниями.

Во втором сеансе участники выполнили задачу явного определения значимости , указав, была ли значимая фраза, которую они слышали, или нет. Чтобы количество положительных и отрицательных ответов оставалось равным, как и в неявной задаче, мы дополнительно добавили одиночные (значащие) существительные в качестве заполнителей, которые не анализировались.Опять же, участников учили отвечать « значащий » на условие, состоящее из одного слова. Перед каждым сеансом участники завершали практическое занятие вне сканера с отдельным набором стимулов. Испытуемые давали ответ нажатием кнопки указательным или средним пальцем левой руки. Назначение кнопки ответа было сбалансировано для всех участников. Оба сеанса состояли из 8 блоков, где все условия повторялись 7 раз в каждом блоке и были псевдорандомизированы по порядку участников.

Блоки были разделены 20-секундными периодами отдыха. Обратите внимание, что неявная задача всегда выполнялась в первом сеансе, чтобы обработка не была явной и не зависела от предыдущей задачи. Общая продолжительность двух сессий составила 31 минуту для неявной задачи и 26 минут для явной задачи (больше пробных тестов в неявной задаче, см. Раздел Stimulus ).

Стимулы

В нашем дизайне мы стремились изолировать нейронные реакции в процессе семантической композиции, устраняя любые эффекты синтаксической обработки.С этой целью мы создали парадигму, используя одно условие композиции ( имеет значение , например, «свежее яблоко») и два некомпозиционных условия: в аномальном условии мы создали фразы из реальных слов, которые нельзя было объединить, используя мировые знания. (например, «бодрствующее яблоко»). В этих стимулах прилагательное нарушало критерии отбора существительного. Прилагательное «бодрствование» обычно описывает живые существа, но не может быть сопоставлено с неживыми существами, такими как яблоки.В условии псевдослово мы заменили существительное на псевдослово, но сохранили прилагательное. Таким образом, синтаксическая информация сравнима для условия псевдослова, но поскольку оно содержит только одно реальное слово, комбинация понятий невозможна. Это дало нам преимущество избежать путаницы в количестве представленных слов и вместо этого конкретно уменьшило объем концептуальной информации.

Чтобы создать пары реальных слов ( значимых и аномальных ), мы выбрали 400 существительных из базы данных SUBTLEX-DE (Brysbaert et al.2011), ограничивая наш поиск следующими критериями: односложный или двусложный, мужской или средний, мономорфный, конкретный, средняя логарифмическая частота 2,56. Конкретность определялась с использованием корпуса английского языка с рейтингом для 40 000 слов (Brysbaert, Warriner, & Kuperman, 2014). Поскольку большой базы данных для немецкого языка нет, мы перевели немецкий корпус LANG (Kanske & Kotz, 2010), состоящий из 1000 существительных, на английский язык и сопоставили показатели конкретности друг с другом. Корреляция между двумя базами данных была очень высокой (r = 0.87, p <.001), и поэтому мы использовали английские нормы для наших немецких слов.

На следующем этапе мы исключили все существительные, значение которых было неоднозначным. Орфографическое соседство контролировалось путем расчета ортогонального расстояния Левенштейна 20 (OLD20, пакет R «vwr»), исключая все слова, отклоняющиеся более чем в 1,5 раза на межквартильный диапазон (IQR) от среднего значения OLD20 по всем пунктам. Используя те же параметры (частота, количество слогов, СТАРЫЙ 20), за исключением значения конкретности, характерного для существительных, мы выбрали прилагательные, которые могли изменять конкретные существительные.Несмотря на то, что мы отмечаем, что использование прилагательных, которые обычно модифицируют абстрактные существительные, могло легко привести к аномальным фразам, мы решили не использовать их, чтобы избежать путаницы различий активации, исходящих из значения конкретности.

Чтобы создать значимые пары слов, мы сгенерировали все возможные комбинации прилагательных и существительных и оценили частоту каждой пары в базе данных google web1t (Консорциум лингвистических данных, Университет Пенсильвании). Эта база данных состоит из n-граммов приблизительно 100 миллиардов токенов слов и выполняет поиск частоты каждой пары слов.Мы исключили метафорические пары, аллитерации и те, которые отклонялись более чем на 1,5 * IQR от средней парной частоты. Затем мы создали аномальные пары, объединив прилагательные с существительными, которых не было в выводе google web1t, позаботившись о том, чтобы каждое прилагательное сочеталось по крайней мере с одним существительным значимо и аномально, и что то же самое верно и для существительных. В пилотном исследовании 20 участников, которые не принимали участие в основном эксперименте, оценили достоверность оставшихся пар слов по шкале Лайкерта от 1 до 6.Мы также попросили выявить любые потенциальные ассоциации, чтобы отфильтровать элементы, которые можно понять метафорически. Из этих оценок мы выбрали пары с наивысшим рейтингом для значимого состояния и пары с самым низким рейтингом для аномального состояния, исключая пары, которые отклонялись более чем на 1,5 * IQR от среднего значения каждого условия. Окончательный набор стимулов состоял из 56 фраз на каждое условие. Список психолингвистических переменных для обоих состояний можно найти в дополнительной таблице 1.

Для создания псевдослов, сопоставимых с реальными словами, мы использовали программу генератора псевдословов Wuggy (Keuleers & Brysbaert, 2010).Здесь мы включили все конечные стимулы реальных слов и сопоставили псевдословы по длине подсиллабических сегментов, длине букв, частоте переходов и выбрали те элементы, которые меньше всего отклонялись от исходных слов по их значению OLD20. Псевдогомофоны (т. Е. Стимулы, которые произносились как настоящие слова) были исключены.

Стимулы записывались профессиональным оратором-мужчиной в звукопоглощающей камере с разрешением 16 бит и частотой дискретизации 44,1 кГц. Все слова были сказаны индивидуально в форме утверждения.После этого мы разрезали все слова в отдельные файлы и нормализовали их до среднеквадратичной амплитуды с помощью программного обеспечения Praat (версия 6.0.04). Чтобы сохранить сопоставимость длины стимулов, мы объединили все пары слов с постоянным началом существительного в 1,1 секунды и паузой между словами в 40 мс, что обеспечило естественное звучание фразы. Кроме того, мы включили пары псевдослово-псевдослово и псевдослово-реальное слово в неявную задачу, чтобы участники не могли делать свои суждения, основываясь только на втором слове.Существительные-одиночки дополнительно служили заполнителями, чтобы количество положительных и отрицательных ответов было одинаковым в обеих задачах. На последующих этапах наполнители не анализировались. Окончательный набор стимулов имел среднюю длину 1703 мс (SD = 92 мс).

Получение фМРТ

Функциональные изображения были получены с помощью магнитного сканера Siemens 3 Tesla (Siemens, Эрланген) с использованием 32-канальной катушки для головы. Чтобы гарантировать оптимальный сигнал в областях ATL (Halai et al., 2014), мы приняли многополосную последовательность плоских изображений (EPI) с двойным градиентным эхо-эхом (60 срезов в осевом направлении и чередующемся порядке, TR = 2 секунды, короткое TE = 12 мс, длинное TE = 33 мс, угол поворота 90 °, FOV = 204, толщина среза = 2.5 мм, межслойный зазор = 0,25 мм, коэффициент многополосного ускорения = 2) (Feinberg et al., 2010; Moeller et al., 2010). Чтобы еще больше уменьшить артефакты в ATL, срезы были наклонены на 10 ° от линии AC-PC. Для автономной коррекции искажений карты поля были получены с использованием последовательности двойного градиентного эха (TR = 620 мс, TE1 = 4 мс и TE2 = 6,46 мс). Структурные T1-взвешенные изображения были предварительно получены и извлечены из базы данных института мозга для всех участников. Изображения были получены с использованием последовательности MPRAGE (176 срезов в сагиттальной ориентации; TR: 2.3 с; TE: 2,98 мс; FoV: 256 мм; размер вокселя: 1 х 1 х 1 мм; нет промежутка между ломтиками; угол поворота: 9 °; направление фазового кодирования: A / P).

Поведенческий анализ

Анализ поведенческих данных был выполнен с использованием программного обеспечения R (версия 3.2.3). Мы рассчитали средний процент правильно ответивших испытаний на одного участника и исключили всех участников, показавших менее 75% при всех основных условиях в любой из сессий (2 участника за сессию). Для анализа времени реакции мы рассматривали только испытания с правильными ответами в пределах диапазона отсечки времени отклика 2500 мс.Все времена реакции, которые отклонялись более чем на 3 SD от среднего для каждого участника и условия, были исключены (1,9% в явной задаче, 1,8% в неявной задаче).

Статистический анализ проводился с использованием обобщенной линейной модели смешанных эффектов (GLMEM) с использованием пакета lme4 в R (Bates et al., 2014), предполагая гамма-распределение наших данных о времени реакции. Для анализа точности мы вычислили смешанную логит-регрессию. Мы включили перехваты для отдельных участников, чтобы учесть общие межиндивидуальные различия и перехваты по отдельным элементам, и рассчитали две модели с соответствующими эталонными уровнями , значимыми и , аномальными .

fMRI анализ

fMRI анализа были выполнены с использованием SPM12 (Wellcome Trust Center for Neuroimaging, http://www.fil.ion.ucl.ac.uk/spm/). Функциональные изображения из двух эхо-сигналов были объединены с использованием специального сценария Matlab, который объединил изображения с использованием среднего взвешивания по временному отношению сигнал / шум (tSNR) в каждом вокселе. Затем объединенные функциональные изображения были повторно выровнены по первому изображению, исправлены искажения (с использованием карт полей), совмещены с их соответствующим структурным изображением, нормализованы к пространству MNI (с использованием унифицированной сегментации с размером повторной выборки 2.5-миллиметровые изотропные воксели) и сглажены гауссовым ядром 5 мм³ на полувысоте.

Для статистического анализа мы оценили общую линейную модель (GLM) для каждого участника, реализованную в SPM12, включая один регрессор для каждого условия и свертку начала и продолжительности предъявления стимула с канонической функцией гемодинамического ответа (HRF). Были проанализированы только испытания с правильными ответами, и мы добавили испытания с ошибками как регрессор, не представляющий интереса. Шесть параметров движения рассматривались как мешающие регрессии.Применялся фильтр верхних частот с отсечкой 128 с. Для каждого испытуемого мы оценивали контраст для каждого состояния по сравнению с отдыхом, а также прямые контрасты между состояниями.

На уровне группы мы провели t-тесты с одной выборкой в ​​рамках каждой задачи (неявной и явной) для каждого контраста. Чтобы определить области мозга, которые определяют успешную композицию более сложных значений по сравнению с более простыми, мы сопоставили значащих против псевдословных фраз ( осмысленных словосочетаний ; см. Рисунок 1C).Мы также сравнили аномальных с псевдословными фразами, чтобы проверить нейронную активность, генерируемую во время композиции сложных значений, которые не приводят к значимым фразам ( аномальная фразовая композиция ). Далее мы измерили еще два конкретных процесса, напрямую затрагивающих семантическую правдоподобность сложных значений, сравнивая значимых против аномальных фраз ( особого значимого состава ) и аномальных против значимых фраз ( особого аномального состава ).

Чтобы исследовать регионы, которые были активированы независимо от окончательной значимости ( значащая фразовая и аномальная фразовая композиция ) в явной задаче, мы выполнили анализ конъюнкции, основанный на минимальной статистике (Nichols et al., 2005), в результате в общее фразовое сочинение . Кроме того, чтобы обнаружить регионы, которые были активированы независимо от задачи, мы выполнили анализ конъюнкции для контрастов в обеих задачах.

Наконец, чтобы локализовать области мозга, которые значительно больше реагировали на явную, чем на неявную задачу, мы провели парные t-тесты.Поэтому мы вычли контраст, полученный в результате неявной задачи, из контраста в явной, например, (значимый _явный > аномальный _явный ) — (значимый _{неявный} > аномальный _{неявный} ). Эти взаимодействия были в том числе замаскированы значительными вокселями минуемого, чтобы ограничить их теми вокселями, которые также были активированы в задаче (см. Hardwick, Caspers, Eickhoff, & Swinnen, 2018).

Для всех контрастов был установлен порог с использованием воксельной коррекции коэффициента ложного обнаружения (FDR) q <.05 с порогом размера кластера в 20 вокселей, чтобы не сообщать о бессмысленных активациях одного вокселя. Анатомические местоположения были определены с помощью SPM Anatomy Toolbox 2.2b (Eickhoff et al., 2005) и Гарвард-Оксфордского структурного атласа коры головного мозга (https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/).

Анализ психофизиологического взаимодействия (PPI)

Функциональная связь, связанная с заданием, между интересующими условиями оценивалась с помощью обобщенного анализа психофизиологического взаимодействия (gPPI, McLaren, Ries, Xu, & Johnson 2012).Интересующие объемы семян (VOI) определяли путем рисования сфер диаметром 6 мм вокруг отдельного ближайшего активированного вокселя каждого субъекта относительно группового пика данного контраста при пороге p <0,05. Этот мягкий порог гарантировал, что VOI каждого участника находился в той же анатомической области, что и групповой пик. Чтобы исследовать функциональную связь между ключевыми семантическими областями и другими областями мозга, мы взяли из следующих пиков активации: левый aIFG, PGa, PGp, pMTG, ATL и DMPFC. Матрица дизайна каждого участника для каждого VOI включала (1) деконволюционный временной ряд первой собственной переменной BOLD-сигнала от VOI, формирующий физиологическую переменную, (2) каждое условие, свёрнутое с HRF, формирующее психологическую переменную, и (3) взаимодействие психологической и физиологической переменных, образующих термин PPI.На уровне одного субъекта были проведены GLM всего мозга, создав 3 контраста (терминов PPI) для каждой модели VOI на основе результатов одномерных GLM: 1) значимые> аномальные, 2) значимые> псевдословы, 3) аномальные> псевдословы. . На уровне группы мы провели t-тесты с одной выборкой для каждого интересующего контраста. Для контрастных изображений был установлен порог p <0,05, исправлена ​​семейная ошибка на уровне кластера (FWE), с порогом для вокселей p <0,001.

Результаты

Поведенческие результаты

Общая точность была высокой в ​​обеих задачах (среднее неявное: 94.14%, среднее явное: 95,75%). В неявной задаче (сравнение лексического статуса слов) значимые фразы имели значительно более высокую точность, чем как аномальные, так и псевдословные фразы. В явной задаче (оценка осмысленности фразы) возникла противоположная картина: фразы псевдослова были значительно более точными, чем аномальные и значимые фразы (Рисунок 2A / C; SI ​​Таблица 2). Время реакции в неявной задаче было значительно быстрее для осмысленных фраз, чем для аномальных и псевдословных, и для аномальных по сравнению с псевдословными фразами.В явной задаче время реакции было значительно быстрее для фраз-псевдословов, чем для значимых и аномальных, и для значимых, чем для аномальных фраз (рис. 2B / D; таблица 2 SI).

(Allen et al., 2019), иллюстрирующий распределение данных средних поведенческих оценок каждого участника, и коробчатые диаграммы, наложенные на отдельные средние точки данных для неявной (A, B) и явной задачи (C, D). * p <0,05; ** p <0,01; *** р <0.001.

Результаты фМРТ

Неявная задача: осмысленная фразовая композиция

В неявной задаче только контраст значимых> псевдословных фраз ( осмысленная фразовая композиция ) дал значимые результаты. Здесь мы обнаружили повышенную активацию в левой AG (PGp), дорсомедиальной префронтальной коре (DMPFC), pMTG / ITG и небольшом кластере в правой передней поясной коре (ACC) (Рисунок 3; SI Таблица 3).

Активация всего мозга в неявной задаче для контрастных значимых> псевдословных фраз с пороговым значением q <0.05 FDR-исправлено. DMPFC = дорсомедиальная префронтальная кора, pMTG = задняя средняя височная извилина, pITG = задняя нижняя височная извилина, PGp = задний отдел угловой извилины.

Явная задача: осмысленная фразовая композиция

Сравнение значимых фраз с фразами псевдослова в явной задаче дало активацию в широко распространенной, в основном, левой латерализованной сети регионов, включающих aIFG (pars orbitalis), DMPFC, AG (PGp), простирающуюся на PGa, SMG и IPS, pMTG, pITG, ATL (включая височный полюс), ACC (распространяется на правую ACC) и заднюю поясную корку (PCC), мозжечок (I / II голени), предклинье, островок и гиппокамп.Кроме того, повышенная активность правого полушария была обнаружена в мозжечке, островке (переходящем в височный полюс), первичной моторной области (M1), веретенообразной извилине, pITG и AG (PGp) (Рисунок 4A; SI Таблица 4).

(A) значимые> псевдословы, (B) аномальные> псевдословы, (C) перекрытие (фиолетовый) контрастов значимых> псевдослов (синий) и аномальных> псевдослов (красный), в результате получается общая фразовая композиция и (D) специфический контраст значимых> аномальных фраз.Все карты активации имеют пороговое значение q <0,05 с поправкой на FDR. ACC = передняя поясная извилина, aIFG = передняя нижняя лобная извилина, ATL = передняя височная доля, DMPFC = дорсомедиальная префронтальная кора, pMTG = задняя средняя височная извилина, PGa = передний отдел угловой извилины, PGp = задний отдел угловой извилины, SMG = надмаргинальная извилина .

Явное задание: аномальная фразовая композиция

Похожая картина возникла в противопоставлении аномальных фраз по сравнению с псевдословными.Этот контраст дал в основном левостороннюю сеть регионов, включая aIFG (pars orbitalis / triangularis), DMPFC, pMTG, ATL, AG (PGp), веретенообразную извилину и таламус. Активация правого полушария включала мозжечок, aIFG / островок, миндалину и таламус (рис. 4B; таблица SI 5).

Анализ конъюнкции: явная осмысленная фразовая композиция и аномальная фразовая композиция (общая фразовая композиция)

Чтобы исследовать области, которые активируются независимо от значимости заключительной фразы, мы провели анализ конъюнкции контрастов значимых> псевдослов ∩ аномальных> псевдослов .Это соединение будет называться общей фразовой композицией , чтобы подчеркнуть, что оно не зависит от значимости. Это дало общие активации для всех регионов, которые также были вовлечены в аномальную> обработку псевдослова, показывая, что аномальная фразовая композиция задействует подмножество регионов для смысловой фразовой композиции (рисунок 4C; таблица 6 SI). Таким образом, левый aIFG, ATL, pMTG, PGp, DMPFC, таламус, правый aIFG и мозжечок, по-видимому, участвуют во фразовом составе независимо от правдоподобия полученной фразы.

Явная задача: конкретная значимая композиция

Чтобы определить области, которые определяют конкретную значимую композицию , мы сравнили значимые и аномальные фразы в явной задаче. Здесь мы обнаружили значительно повышенную активность в передней части левой AG (PGa), распространяющейся на надмаргинальную извилину (SMG) и внутрипариетальную борозду (IPS), ACC, левую pMTG, левую вентромедиальную префронтальную кору (vmPFC) и небольшой кластер в задней части. часть правой AG (PGp) (Рисунок 4D; SI Таблица 7).Противоположный контраст аномальных и значимых фраз не дал каких-либо значительных различий в активации.

Активация, не зависящая от задачи, для осмысленной фразовой комбинации

После изучения контрастов для каждой задачи отдельно, нас интересовали общие области, которые активируются независимо от задачи. С этой целью мы провели анализ конъюнктуры единственного контраста, который дал значимые результаты в обеих задачах: явное осмысленное фразовое сочинение ∩ неявное осмысленное фразовое сочинение. Мы наблюдали значительный кластер в левом PGp и очень маленькие кластеры в левом pITG и DMPFC (рисунок 5; таблица SI 8). Таким образом, единственными областями, показывающими независимые от задачи активации для значимого фразового состава , являются задняя часть AG и, в меньшей степени, части DMPFC и pITG.

Активации, не зависящие от задачи: перекрытие (голубой) между контрастными значимыми> псевдословами в явной задаче (синий) и неявной задаче (зеленый), пороговое значение установлено при q <0.05 FDR-исправлено. DMPFC = дорсомедиальная префронтальная кора, pITG = задняя нижняя височная извилина, PGp = задний отдел угловой извилины.

Активации для конкретных задач

Из приведенных выше результатов видно, что существуют области мозга, которые выборочно задействованы во время явной задачи, но не во время неявной. Чтобы дополнительно подтвердить этот вывод, мы провели парные t-тесты для всех контрастов между двумя задачами.

Для контраста смысловой фразовой композиции парные t-тесты подтвердили, что левый aIFG (простирающийся на островок), DMPFC, pMTG / ITG, IPS / SMG и правый aIFG, таламус и мозжечок в большей степени участвуют в явном, чем в неявной задаче (рисунок 6A; таблица SI 9).

(A) Более сильная активация во время явной, чем неявной задачи для осмысленных фраз> псевдослов. (B) Более сильная активация во время явного, чем неявного задания для аномальных> псевдословных фраз. Установлено пороговое значение при q <0,05 с поправкой на FDR. aIFG = передняя нижняя лобная извилина, DMPFC = дорсомедиальная префронтальная кора, IPS = нижняя теменная борозда, pMTG = задняя средняя височная извилина.

Аномальная фразовая композиция также выявила зависимые от задачи активации в левом aIFG, DMPFC, правом мозжечке, aIFG и таламусе (рис. 6B, таблица 10 SI).Таким образом, эти области, по-видимому, избирательно задействованы, когда требуется явное суждение о значимости. Для специфической значимой композиции это приводило только к значительным активациям при понижении порога коррекции FWE на уровне кластера (p <0,05) в PGa и ACC. Таким образом, можно только осторожно говорить о тенденции зависимости от задач в этих регионах.

Анализ психофизиологического взаимодействия (PPI) для осмысленной фразовой композиции

Наконец, мы создали несколько моделей PPI для исследования взаимодействий, связанных с конкретными задачами.В явной задаче мы обнаружили значительную функциональную связь между левым PGp (как исходная область) и левым aIFG (pars triangularis; BA45) и двусторонней преддополнительной моторной корой для значимого фразового состава (то есть значимого> псевдослова; Рисунок 7; SI Таблица 11). Никакие другие участки семян или контраст не дали значительных результатов.

Здесь мы разработали парадигму, которая позволяет уловить как общий процесс объединения двух реальных слов вместе, включая значащей фразовой, и аномальной фразовой композиции , так и более конкретный процесс успешного сочетания двух слов в осмысленную фразу ( конкретная содержательная композиция ).Мы определили отдельные нейронные корреляты для этих двух процессов. Процесс общей фразовой композиции , который, по-видимому, в значительной степени не зависит от правдоподобия полученной фразы, связан с широко распространенным паттерном леволатерализованной активности, включая aIFG, ATL, DMPFC, pMTG и AG. Важно отметить, что задняя часть AG задействована независимо от задачи, что предполагает роль в общих процессах семантического представления, которая выходит за рамки специфической для задачи активации.Таким образом, этот регион может отражать автоматическую общую фразовую композицию. Напротив, aIFG, большая часть DMPFC, pMTG и IPS / SMG демонстрирует более сильное взаимодействие для явной осмысленной фразовой композиции , чем в предположительно более неявной задаче лексического уровня. Осмысленная фразовая композиция , кроме того, полагается на функциональное взаимодействие между левой задней частью AG, aIFG и преддополнительной моторной областью, как показано в нашем анализе PPI. Напротив, специфическая значимая композиция задействует подмножество регионов из паттерна фразовой композиции (передний AG, pMTG, ACC).Таким образом, эти области, по-видимому, лежат в основе удачной композиции значений, необходимой для оценки правдоподобия фразы.

В то время как предыдущие исследования предполагали, что aIFG, ATL и AG играют ключевую роль в семантической композиции, наши результаты помогают выделить подпроцессы, которые могут направлять успешную семантическую композицию в этих регионах. Сравнение двух условий реального слова (то есть значимой и аномальной фразы) с условием псевдослова (в нашем исследовании обозначается как общая фразовая композиция ) требует успешного извлечения двух отдельных понятий по сравнению с одним понятием, таким образом, общей лексической композицией. -процесс семантического поиска, по-видимому, задействован.Напротив, особая значимая композиция отражает «чистый» процесс концептуального комбинирования. Поскольку этот процесс можно рассматривать как более конкретную форму фразовой композиции, неудивительно, что мы находим только подмножество регионов из контраста смысловой фразовой композиции , включая передний AG.

Общая фразовая композиция задействует большую семантическую сеть в левом полушарии

В соответствии с предыдущими исследованиями мы обнаружили набор левых AG, aIFG и ATL, наряду с другими классическими регионами семантической сети (например,g., левый pMTG и DMPFC) и моторные (контрольные) области правого полушария (мозжечок, премоторная, первичная и соматосенсорная моторная кора) для контраста значащих фраз по сравнению с псевдословными (т. е. смысловой композиции ) в явной задаче. Кроме того, анализ конъюнкции показал, что паттерн активации в значительной степени перекрывается контрастом аномальных> псевдословных фраз (т. Е. , аномальная фразовая композиция ), показывая, что эти области участвуют в общей фразовой композиции , независимо от правдоподобности полученной фразы. .

В соответствии с его предполагаемой ролью в исполнительном семантическом контроле (Chiou et al., 2018; Lambon Ralph et al., 2016; Noonan et al., 2013; Whitney et al., 2011), левый aIFG был выборочно активирован в явная задача для обоих условий реального слова по сравнению с условием псевдослова. Предыдущие исследования связывали левый aIFG с мониторингом и выбором семантической информации при наличии нескольких альтернатив (Binder & Desai, 2011; Lau et al., 2008; Noonan et al., 2013; Whitney et al., 2012). В нашем исследовании aIFG активируется в зависимости от количества слов, которые могут быть извлечены из лексикона, независимо от значимости заключительной фразы, как это наблюдалось как во время осмысленных фраз — и — аномальных фразовых составов . Это согласуется с результатами Schell et al. (2017), которые обнаружили активацию aIFG для словосочетаний прилагательное и существительное ( blue boat ) по сравнению с отдельными словами ( boat ). Следовательно, участие aIFG может отражать повышенную семантическую нагрузку, переносимую реальными словами, которая также выходит за пределы уровня предложения (Zaccarella et al., 2015), чтобы отслеживать объем семантической информации, которую необходимо интегрировать.

В отличие от предыдущих исследований, в которых предполагалось, что ATL является ключевым центром концептуальной композиции (например, Baron et al. 2011; Bemis & Pylkkänen 2011; Westerlund & Pylkkänen 2017), мы нашли доказательства его вклада только на более общем фразовом уровне. в явной задаче (т. е. для контрастов значимых> псевдослов и аномальных> псевдослов), а не для конкретной значимой композиции .Основываясь на наших выводах, мы делаем вывод, что ATL может кодировать объем концептуальной информации, которая может быть извлечена, а не руководить концептуальной комбинацией двух концепций в единое целое. Более того, наши результаты не подтверждают идею о том, что ATL управляет автоматическим составом концептов (Bemis & Pylkkänen, 2013a), поскольку мы обнаруживаем участие только этой области в явной задаче.

Другая область височной доли, которая была выборочно активирована во время явной задачи, — это задняя MTG, достигающая ITG.Поскольку он также был задействован во время конкретной содержательной композиции , мы вернемся к его обсуждению ниже.

Наше исследование дополнительно выявило сильную вовлеченность DMPFC во время явной общей фразовой композиции . В своем метаанализе Биндер и его коллеги (2009) определили DMPFC как одну из основных семантических областей, часто активируемых семантическими задачами. Однако в предыдущих обзорах не признавалась его роль в семантических задачах, и последовательная теория его точного вклада в семантическую обработку все еще отсутствует.Биндер и Десаи (2011) предположили, что DMPFC вместе с левой IFG действует как контролирующая область, которая направляет целенаправленное извлечение концептуальной информации, хранящейся в височно-теменной коре головного мозга. Дополнительные доказательства получены от Graves et al. (2010), которые обнаружили, что участие DMPFC имеет смысл по сравнению с перевернутыми фразами существительное только в их явной задаче. Следовательно, DMPFC, по-видимому, является областью семантического контроля, на которую ранее не обращали внимания, но которой следует предоставить более центральную роль в семантической обработке, включая семантическую композицию.

Что касается роли различных субрегионов AG в семантической обработке, предыдущие мета-анализы идентифицировали дорсальное, среднее и вентральное подразделения, каждое из которых выполняет разные функции в отношении семантических задач (Noonan et al., 2013; Seghier, 2013). Важно отметить, что наш кластер активации для общей фразовой композиции в заднем отделе PGp перекрывается с областью mid-AG, идентифицированной в метаанализе Noonan et al. (2013) (координаты MNI x, y, z: −39, −69, 30) и Seghier et al.(2010) (координаты MNI x, y, z: −48, −68, 29). Несмотря на частично противоречивые результаты, в этой субрегионе постоянно сообщалось о обработке конкретных по сравнению с абстрактными концепциями, и, таким образом, ей приписывалась роль в семантическом представлении богатых мультимодальных концепций. Поскольку мы обнаружили относительно более сильное участие PGp в обоих условиях реального слова по сравнению с условием псевдослова, наши результаты согласуются с учетом того, что эта подобласть кодирует семантическое богатство. Во время двух условий реального слова может быть получено больше концептуальной информации, чем для условия псевдослова, но это различие не выполняется, когда два условия реального слова сравниваются напрямую.Таким образом, мы не наблюдали вовлечение левого PGp в конкретную смысловую композицию , а только в общую фразовую композицию . Мы полагаем, что наши результаты помогают уточнить роль различных субрегионов в левой АГ в семантическом составе. Задний кластер, кажется, направляет более общую семантическую интеграцию двух понятий, в то время как передняя часть оценивает значимость полученной фразы. Отметим далее, что PGp вместе с небольшими кластерами в pITG и DMPFC были единственными регионами, которые также были задействованы в неявной задаче, говоря о независимости этих областей от задач в лексико-семантических процессах.Таким образом, на наш взгляд, PGp участвует в представлении большей или меньшей концептуальной информации независимо от правдоподобия итоговой фразы и независимо от задачи. И наоборот, область в IPL, которая демонстрирует сильное зависимое от задачи участие, — это IPS, граничащая с задним SMG. Эта область была значительно более задействована во время явной, чем неявной задачи, и поэтому, вероятно, управляет управляемым концептуальным поиском вместе с aIFG и DMPFC.

Лобно-теменные взаимодействия во время осмысленной фразовой композиции

Наши результаты показали, что помимо активаций, связанных с задачами, во время обработки значимых фраз PGp демонстрирует повышенную функциональную связь с aIFG и pre-SMA.Функциональная связь, связанная с заданием, была сильнее при обработке значимых фраз по сравнению с фразами псевдослова. Эти результаты расширяют предыдущие результаты функциональной связи на уровне одного слова. В исследовании TMS Hartwigsen et al. (2015) показали, что временное нарушение только aIFG или AG не привело к значительному ухудшению семантических решений, в то время как комбинированная TMS по обоим регионам значительно замедлила время реакции в семантической задаче. Это говорит о том, что AG и aIFG могут компенсировать нарушение работы соответствующего другого узла.Более того, после длительного нарушения левой AG эта область оказывала тормозящее влияние на левую aIFG во время семантических решений слов, что дополнительно подтверждает сильное взаимодействие между обеими областями (Hartwigsen et al., 2017). Важно отметить, что наши результаты предоставляют новые подтверждающие доказательства понятия семантической сети, включающей AG и aIFG, не только на отдельном слове, но и на базовом комбинаторном уровне. Помимо aIFG, функциональная связь, связанная с задачей, также была увеличена между PGp ​​и пре-SMA.Хотя пре-SMA не принадлежит классической языковой сети, есть свидетельства того, что он участвует в когнитивных процессах более высокого порядка, таких как семантическая обработка, независимо от двигательных эффектов (Hertrich et al., 2016). Таким образом, результаты нашего анализа функциональной связности значительно расширяют предыдущие выводы об изменениях в связанной с задачами деятельности во время семантической композиции и обеспечивают новое понимание функциональных взаимодействий во время осмысленных фразовых композиций на сетевом уровне.Мы отмечаем, что одним из ограничений нашего анализа PPI является то, что из 6 исходных областей только PGp обеспечил значительную связь с любой другой областью мозга.

Конкретная значимая композиция задействует переднюю AG и области семантического контроля

При прямом сравнении значимых фраз с аномальными фразами мы обнаружили повышенную активность в нескольких семантических областях, в основном в левом полушарии. Эти области включали левый передний AG (PGa) и соседний SMG / IPS, левый pMTG, двусторонний ACC и левый vmPFC, а также несколько более мелких кластеров в правом полушарии, включая правый задний AG.

Сильный вклад передней части угловой извилины (PGa) хорошо согласуется с предыдущим исследованием, в котором использовалась аналогичная задача (Price et al., 2015). В этом исследовании AG (с пиком PGa) продемонстрировал повышенную активность для более значимых по сравнению с менее значимыми фразами прилагательное-существительное. Недавно было обнаружено, что left AG используется для обработки глагольных и существительных словосочетаний по отношению к спискам слов (Matchin, Liao, et al., 2019), что дает дополнительные доказательства его ключевой роли в успешной концептуальной композиции.Функциональная значимость левой АГ для семантической композиции была продемонстрирована в исследованиях поражений и нейростимуляции (Price et al., 2015, 2016). Важно отметить, что наш активационный кластер для конкретной значимой композиции был расположен на границе PGa, заднего SMG (PFm) и IPS. Это перекрывается с субрегионом дорсальной AG, идентифицированным Noonan et al. (2013), что было связано с семантическим контролем и концептуальным сочетанием. Таким образом, PGa, кажется, направляет явную осмысленную композицию, которая приводит к успешной новой концепции, оценивая правдоподобность фразы.Помимо левой AG, наши результаты также выявили небольшой кластер в правой AG во время особого значимого состава . Эта активация согласуется с двумя предыдущими исследованиями, в которых сообщалось об участии правых АГ в базовом комбинаторном процессинге (Graves et al. 2010; Price et al. 2015). Грейвс и его коллеги предположили, что в то время как левая височно-теменная область представляет значение одного слова, правое полушарие представляет собой перекрытие отдельных концепций и объединяет их значение, что может объяснить наблюдаемую активацию правой АГ в настоящем исследовании.

Другой семантической областью, которую мы обнаружили для особой значимой композиции , была левая pMTG. Это открытие было немного неожиданным, поскольку pMTG классически не приписывалась ключевая роль в семантической композиции. Скорее, сходные данные исследований нейровизуализации и нейростимуляции приписывают pMTG (вместе с передним IFG) роль в семантическом контроле во время задач семантической ассоциации на уровне слов (Davey et al., 2016; Noonan et al., 2013; Whitney et al. al., 2011). Наши результаты соответствуют этой точке зрения, поскольку мы обнаружили гораздо более сильную активацию в pMTG в явной, чем неявной задаче. Разумно предположить, что неявная задача не требует того же уровня исполнительной семантической обработки, что и явная задача. Наблюдаемое участие pMTG во всех контрастах реальных слов (то есть в явном конкретном значимом составе , значимом фразовом составе и аномальном фразовом составе ) может, таким образом, указывать на то, что эта область обычно определяет успешное извлечение понятий.

Интересно, что мы также обнаружили участие двусторонних ACC во время особой значимой композиции . Эта область обычно участвует в задачах мониторинга ошибок (Botvinick et al., 2004), и этот процесс маловероятен во время осмысленной композиции. Кроме того, это ключевая область в сети цингулооперкулярного контроля, связанная с поддержанием задачи (Vaden et al., 2013). Однако недавно появились свидетельства того, что ACC также участвует в семантических задачах. Алмейда и его коллеги (2016) обнаружили широко распространенные активации, включая ACC для неопределенных предложений ( Автор начал книгу ) по сравнению с предпочтительными предложениями ( Автор написал книгу ) и аномальными предложениями ( Автор выпил книгу ).Они интерпретируют роль этих регионов как использование процессов прагматического вывода. Кроме того, метаанализ Noonan et al. (2013) идентифицировали ACC как часть широко распространенной сети семантического управления. Тот факт, что мы обнаружили участие ACC только в явной задаче, поддерживает эту точку зрения. Наконец, мы также наблюдали небольшой кластер в левом vmPFC для контраста особого значимого состава . Эта область была обнаружена в ряде исследований MEG, а в недавнем обзоре Pylkkänen (2019) приписывается vmPFC роль представления окончательного комбинаторного выхода.

Примечательно, что мы не обнаружили значительной активности, связанной с задачами, во время неявной специфической осмысленной композиции . Отсутствие различий в активации в неявной задаче может изначально предполагать, что значение не складывается автоматически, а скорее может быть ограничено ситуациями, в которых оно актуально для задачи. Однако наблюдаемые существенные различия в точности и времени ответа между значимыми и аномальными фразами в неявной задаче могут указывать на то, что участники автоматически оценили значение фраз.Важно отметить, что лексический материал значимых и аномальных фраз не различается, поэтому участники должны одинаково успешно решать, являются ли стимулы реальными словами или нет. Таким образом, наблюдаемый более высокий уровень ошибок для аномальных фраз указывает на автоматическое и неявное суждение о значимости. Возможное объяснение того, почему мы не обнаружили различий в активации в результатах фМРТ, могло заключаться в том, что природа нашей задачи с лексическим статусом требовала повышенных требований к задаче, что в целом было одинаково для значимых и аномальных фраз.Интригующий вопрос для будущих исследований будет заключаться в том, способны ли другие неявные семантические задачи (например, классическое лексическое решение, фонологические задачи) обнаруживать различия в комбинаторной обработке данных фМРТ для значимых и аномальных фраз, которые в текущем исследовании видны только в поведенческий уровень.

Наконец, следует отметить, что мы не наблюдали значительных различий в активации для обратного контраста в явной задаче (т.е. для аномальных по сравнению с значащими фразами).Хотя можно найти аналогичный эффект, описанный для классического N400 в литературе по электроэнцефалографии (ЭЭГ), предыдущие исследования фМРТ также показали, что этот эффект намного слабее в модальности гемодинамики (Lau & Namyst, 2019). Среди прочего, это могло быть связано с гораздо более низкой временной чувствительностью фМРТ по сравнению с ЭЭГ, которая, таким образом, лучше подходит для улавливания относительно кратковременного эффекта N400.

Другое возможное объяснение — природа нашей задачи: необходимость судить о значимости может означать, что во фразах есть смысл.Участники активно искали ассоциации и смысл, чтобы сделать свое суждение, и, таким образом, уже были ориентированы на более значимое условие (Куперберг, 2007).

Состав семантических веб-сервисов в области астрофизики: проблемы и решения

Тьерри Луж защитил докторскую диссертацию. степень в области информатики в 2017 году под руководством Бернара Архимеда, Юргена Кнёдлеседера и Хеди Каррай. Он также является ИТ-инженером, работающим в области ИТ для астрофизики с 1999 года во французской обсерватории Observatoire Midi-Pyrénées (OMP) в Тарбе, на юге Франции.OMP является частью Université Paul Sabatier (UPS).

Хеди Каррари защитил докторскую диссертацию. получил степень в области прикладной информатики Университета Франш-Конте, Франция, в 2012 году. С тех пор он в течение одного года был доцентом в Университете Верхнего Эльзаса. С сентября 2013 года он является адъюнкт-профессором Национальной инженерной школы Тарба Национального политехнического института Тулузы, входящего в Федеральный университет Тулузы, и членом лаборатории технологического проектирования.В 2016 году он работал приглашенным исследователем в Государственном университете Нью-Йорка в Буффало (UB). Со времени своего пребывания в UB доктор Каррей стал старшим научным сотрудником Национального центра онтологических исследований. Темы исследований доктора Каррея посвящены онтологическому проектированию, семантической совместимости и системам поддержки принятия решений.

Бернар Архимед получил докторскую степень. получил степень в области промышленных компьютерных наук в Университете Бордо 1 в 1991 году. С этого момента он является научным сотрудником лаборатории Génie de Production (LGP) Национальной школы инженеров в Тарбе (ENIT), где он является профессором.Его исследования касаются распределенных программных архитектур и их приложений для многоузлового планирования и управления сложными системами. С сентября 2016 года — помощник директора LGP. Он проявляет широкий интерес к распределенным архитектурам планирования, распределенному моделированию, многоагентным системам и взаимодействию.

Закария Маамар — профессор Колледжа технологических инноваций Университета Зайда. Его исследовательские интересы в первую очередь связаны с теориями и методами наук об услугах, контекстно-зависимыми вычислениями и взаимодействием корпоративных приложений.Доктор Маамар опубликовал несколько рецензируемых статей в журналах и на конференциях, является основателем Международного ежегодного симпозиума по веб-сервисам (www.zu.ac.ae/wss) и регулярно участвует в программах и организационных комитетах нескольких международных организаций. конференции и семинары. В 2010 году он получил премию IBM Faculty Award за исследование социальных веб-сервисов. Доктор Маамар получил степень магистра наук. и к.т.н. получил степень бакалавра компьютерных наук в Университете Лаваля в Канаде в 1995 и 1998 годах соответственно.

Д-р Майкл Мрисса — профессор Университета Пау и Платежей Адура (UPPA). Он получил докторскую степень. из Университета Клода Бернара Лиона 1 в 2007 году и его аккредитация на надзор за исследованиями (HDR) в 2014 году. Его основные исследовательские интересы связаны с сервис-ориентированными вычислениями, семантическими рассуждениями и Web of Things. Он опубликовал более 60 рецензируемых статей на конференциях и в журналах. Он участвует в проекте ANR ASAWoO1.

© 2018 Elsevier B.V. Все права защищены.

Справочник по элементам HTML — HTML: язык разметки гипертекста

Сложно-смысловая композиция фигур - документация Matplotlib 3.4.3

Предупреждение

В этом руководстве документируется экспериментальный / предварительный API. Мы выпускаем это в версии 3.3, чтобы получить отзывы пользователей. Мы можем вносить критические изменения в будущих версиях без предупреждения.

Размещение осей на фигуре в неоднородной сетке может быть утомительным и многословный. Для плотных, ровных сеток у нас есть Figure. Subplotts , но для более сложные макеты, такие как оси, охватывающие несколько столбцов / строк макета или оставьте некоторые области рисунка пустыми, вы можете использовать gridspec.GridSpec (см. Настройка макетов рисунков с помощью GridSpec и других функций) или вручную разместите свои топоры. Figure.subplot_mosaic призван обеспечить интерфейс для визуального отображения осей (в виде ASCII-арта или вложенных списки), чтобы упростить этот процесс.

Этот интерфейс, естественно, поддерживает именование ваших осей. Figure.subplot_mosaic возвращает словарь с ключом метки, используемые для размещения рисунка. Возвращая структуры данных с имен, проще написать код построения графика, не зависящий от Макет рисунка.

Это навеяно предложенным депутатом Европарламента и Библиотека лоскутного шитья для R. Хотя мы не реализуем стиль перегрузки операторов, мы делаем предоставить Pythonic API для указания (вложенных) макетов осей.

 импортировать matplotlib.pyplot как plt
импортировать numpy как np


# Вспомогательная функция, используемая для визуализации в следующих примерах
def identify_axes (ax_dict, fontsize = 48):
    "" "
    Помогите определить оси в примерах ниже.

    Рисует метку крупным шрифтом в центре Осей.Параметры
    ----------
    ax_dict: dict [str, Axes]
        Сопоставление заголовка / метки и осей.
    fontsize: int, необязательно
        Какого размера должна быть этикетка.
    "" "
    kw = dict (ha = "center", va = "center", fontsize = fontsize, color = "darkgrey")
    для k, ax в ax_dict.items ():
        ax.text (0.5, 0.5, k, transform = ax.transAxes, ** квт)
 

Если нам нужна сетка 2x2, мы можем использовать Figure.subplots , который возвращает 2D-массив осей . Оси , которые мы можем индексировать для построения графика.

 np.random.seed (19680801)
hist_data = np.random.randn (1_500)


fig = plt.figure (constrained_layout = True)
ax_array = fig.subplots (2, 2, squeeze = False)

ax_array [0, 0] .bar (["a", "b", "c"], [5, 7, 9])
ax_array [0, 1] .plot ([1, 2, 3])
ax_array [1, 0] .hist (hist_data, bins = "авто")
ax_array [1, 1] .imshow ([[1, 2], [2, 1]])

Identify_axes (
    {(j, k): a для j, r в enumerate (ax_array) для k, a в enumerate (r)},
)
 

Используя Figure.subplot_mosaic , мы можем создать ту же мозаику, но семантические имена осей

 fig = plt.рисунок (constrained_layout = True)
ax_dict = fig.subplot_mosaic (
    [
        ["бар", "сюжет"],
        ["история", "изображение"],
    ],
)
ax_dict ["bar"]. bar (["a", "b", "c"], [5, 7, 9])
ax_dict ["сюжет"]. plot ([1, 2, 3])
ax_dict ["hist"]. hist (hist_data)
ax_dict ["изображение"]. imshow ([[1, 2], [2, 1]])
identify_axes (ax_dict)
 

Ключевое различие между рисунком подграфик и Figure.subplot_mosaic - возвращаемое значение. В то время как бывший возвращает массив для доступа к индексу, последний возвращает словарь сопоставление меток с осями .Оси экземпляров создано

Ушел:

 {'bar': , 'plot': , 'hist': , 'image': }
 

Струна короткая

Ограничивая метки осей отдельными символами, мы можем использовать. Используя, мы можем «Нарисуйте» оси, которые мы хотим, как «искусство ASCII». Следующие

даст нам 4 оси, расположенные в сетке 2x2, и сгенерирует то же самое. фигура мозаика, как указано выше (но теперь помечена как {"A", "B", "C", "D"} вместо {"bar", "plot", "hist", "image"} ).

Что-то, что мы можем сделать с Figure.subplot_mosaic , что вы не можете do with Figure.subplots is указывает, что оси должны охватывать несколько строк или столбцов.

Если мы хотим переставить наши четыре оси так, чтобы C была горизонтальной пролет внизу и D - вертикальный пролет справа, мы бы сделали

 axd = plt.figure (constrained_layout = True) .subplot_mosaic (
    "" "
    ABD
    ПЗС-матрица
    "" "
)
identify_axes (axd)
 

Если мы не хотим заполнять все пробелы на рисунке осями, мы можем указать, что некоторые пробелы в сетке будут пустыми

 axd = plt.рисунок (constrained_layout = True) .subplot_mosaic (
    "" "
    A.C
    BBB
    .D.
    "" "
)
identify_axes (axd)
 

Если мы предпочитаем использовать другой символ (а не точку "." ) чтобы отметить пустое пространство, мы можем использовать empty_sentinel , чтобы указать персонаж для использования.

 axd = plt.figure (constrained_layout = True) .subplot_mosaic (
    "" "
    aX
    Xb
    "" ",
    empty_sentinel = "X",
)
identify_axes (axd)
 

Внутри буквы, которые мы используем, не имеют никакого значения. Кодовая точка Unicode действительна!

 axd = plt.рисунок (constrained_layout = True) .subplot_mosaic (
    "" "αб
       ℝ☢ "" "
)
identify_axes (axd)
 

Не рекомендуется использовать пробел в качестве метки или пустой дозорный с сокращением строки, потому что он может быть удален при обработке ввода.

Управление созданием мозаики и подсюжетов

Эта функция построена на основе gridspec , и вы можете передать аргументы ключевого слова через базовую спецификацию сетки .GridSpec (то же, что и рис.участки ).

В этом случае мы хотим использовать ввод для определения аранжировки, но установите относительную ширину строк / столбцов через gridspec_kw .

 axd = plt.figure (constrained_layout = True) .subplot_mosaic (
    "" "
    .a.
    bAc
    .d.
    "" ",
    gridspec_kw = {
        # установить соотношение высоты между строками
        "height_ratios": [1, 3.5, 1],
        # установить соотношение ширины между столбцами
        "width_ratios": [1, 3.5, 1],
    },
)
identify_axes (axd)
 

Или используйте аргументы ключевого слова { left , right , bottom , top }, чтобы расположите общую мозаику, чтобы разместить несколько версий одного и того же мозаика в фигурке

 мозаика = "" "AA
            ДО Н.Э"""
fig = plt.фигура()
axd = fig.subplot_mosaic (
    мозаика
    gridspec_kw = {
        «низ»: 0,25,
        «верх»: 0,95,
        «слева»: 0,1,
        «вправо»: 0,5,
        "wspace": 0,5,
        "hspace": 0,5,
    },
)
identify_axes (axd)

axd = fig.subplot_mosaic (
    мозаика
    gridspec_kw = {
        «низ»: 0,05,
        «верх»: 0,75,
        «слева»: 0,6,
        «вправо»: 0,95,
        "wspace": 0,5,
        "hspace": 0,5,
    },
)
identify_axes (axd)
 

В качестве альтернативы вы можете использовать функциональность под-рисунка:

Мы также можем передавать аргументы, используемые для создания подзаголовков (опять же, как рис.участки ).

 axd = plt.figure (constrained_layout = True) .subplot_mosaic (
    "AB", subplot_kw = {"projection": "polar"}
)
identify_axes (axd)
 

Вход вложенного списка

Все, что мы можем сделать с сокращенной строкой, мы также можем сделать, когда передача в списке (внутри мы преобразуем сокращенную строку во вложенный list), например, используя пролеты, пробелы и gridspec_kw :

 axd = plt.figure (constrained_layout = True) .subplot_mosaic (
    [
        ["основной", "масштаб"],
        ["основной", "ПУСТО"],
    ],
    empty_sentinel = "ПУСТО",
    gridspec_kw = {"width_ratios": [2, 1]},
)
identify_axes (axd)
 

Кроме того, с помощью ввода списка мы можем указать вложенные мозаики.Любой элемент внутреннего списка может быть другой набор вложенных списков:

Мы также можем передать 2D-массив NumPy, чтобы делать такие вещи, как

Общее время работы скрипта: (0 минут 6,155 секунды)

Ключевые слова: пример кода matplotlib, кодекс, график python, pyplot Галерея создана Sphinx-Gallery

Семантический состав оптимальных планов технологических процессов на производстве: Ingenta Connect

Цель
Необходимость гибко реагировать на меняющиеся потребности и экономически эффективно управлять индивидуальным производством даже при размере партии в одну требует динамической и целостной интеграции процессов на основе услуг внутри и между предприятия цепочки добавленной стоимости.В этом контексте цель данной статьи - представить ODERU, новый прагматический подход авторов к автоматическому внедрению производственных процессов на основе сервисов при проектировании и исполнении в рамках облачной эластичной производственной платформы.
Дизайн / методология / подход
ODERU полагается на набор семантических аннотаций моделей бизнес-процессов, закодированных в расширение стандарта модели бизнес-процесса и нотации (BPMN) 2.0. Использование парадигм семантической SOA и XaaS, ODERU объединяет семантическую композицию планов обслуживания процессов на основе шаблонов с оптимизацией на основе QoS, основанной на решении многоцелевых задач оптимизации ограничений.
Выводы
Успешная проверка ODERU в двух промышленных сценариях использования для оптимизации процесса технического обслуживания и автомобильного производства в европейском проекте CREMA показала свою полезность для оптимизации процессов на основе услуг в целом и для значительного сокращения затрат на техническое обслуживание в частности.
Оригинальность / ценность
ODERU обеспечивает прагматичное и гибкое решение для оптимальной композиции услуг со следующими тремя основными преимуществами: полная интеграция семантического выбора и композиции услуг с оптимизацией на основе QoS; выполнимость сгенерированных оптимальных планов обслуживания процессов путем выполнения среда, поскольку они включают в себя назначения служб, поток данных (привязки переменных) и оптимальные назначения переменных; и поддержка быстрой перепланировки в единой модели и плане.

Нет доступной справочной информации - войдите в систему для доступа.

Информация о цитировании недоступна - войдите в систему, чтобы получить доступ.

Нет дополнительных данных.

Нет статьи СМИ

Без показателей

Ключевые слова: BPMN; Индустрия 4.0; Оптимизация процесса; Семантическая SOA; Семантическое управление бизнес-процессами; Сервисная оркестровка

Тип документа: Исследовательская статья

Филиал: 1: Школа информационных технологий (Informatik), HSLU - Университет прикладных наук и искусств Люцерна, CH-6343 Rotkreuz, Швейцария 2: EVANA AG, D-60325 Франкфурт-на-Майне, Германия 3: ASR - Агент и симулированная реальность, DFKI - Немецкий исследовательский центр искусственного интеллекта, Saarland Informatics Campus D3.2, D-66123 Саарбрюккен, Германия

Дата публикации: 15 ноября 2018 г.

TENACIOUS: заслуживающая доверия рыночная площадь сЕМантического осознания для взаимодействующих облачных сервисов

Мотивация для проекта:

Проект направлен на составление облачных сервисов с помощью семантических технологий, а также с применением технологий блокчейн для обеспечения безопасности и повышения доверия, что потенциально может принести пользу для каждый домен, указанный в целях ONTOCHAIN.

Описание общего варианта использования:

Опытный программист, связанный с известными компаниями, нуждающимися в определенных функциях, получает доступ к Marketplace и находит услуги, наиболее соответствующие ее потребностям, получая поддержку в составе и оркестровке выбранных решений.

Основные функции:

Доступ к безопасному и надежному рынку, где семантически описанные облачные сервисы могут быть исследованы, обнаружены и составлены в соответствии с конкретными необходимыми требованиями.
Хранение составленного решения в формате RDF в блокчейне для обеспечения соответствия предложенному контракту.

Как эти функции могут быть интегрированы в экосистему программного обеспечения:

Предлагаемое семантическое описание облачных сервисов будет адаптировано к существующим определениям, уже используемым в системе Ontochain, а поддержка представления шаблона будет способствовать общему взаимодействию каркас.

Устранение пробелов:

В целом отсутствует доверие к описаниям и каталогам существующих сервисов, а общедоступные репозитории и агрегаторы таких сервисов в настоящее время отсутствуют. Частые вариации открытых интерфейсов и отсутствие надлежащих описаний затрудняют взаимодействие и переносимость приложений.

Ожидаемые преимущества, достигаемые с помощью строительных блоков новой технологии:

Повышение готовности к покупке облачных услуг за счет доверия, установленного с помощью блокчейна; увеличить доступность поставщиков облачных услуг, повысив конкурентоспособность и снизив затраты; значительно сократить юридические споры по SLA между поставщиками облачных услуг и клиентами.