مغز | زبان | شناخت

چگونه درخواست پروژه ثبت کنیم؟ روند کار چگونه است؟ مسیرت را انتخاب کن، بقیه‌اش با ما فلودمی، جریانِ آکادمی آدرس سایت: www.flowdemi.com

این یک تبلیغ نیست؛ پلتفرمی برای نیازهای شماست. برای ایده‌هایی که به تخصص نیاز دارند، برای پژوهش‌هایی که به مسیر درست نیاز دارند، و برای مسئله‌هایی که به راه‌حل نیاز دارند. فلودمی اینجاست تا فاصله‌ی میان نیاز، دانش و اجرا را کوتاه‌تر و حرفه‌ای مدیریت کند. Flowdemi | جریانِ آکادمی 🌐 flowdemi.com

#non_restricted نقطه‌ی آغاز آن‌ها شبکه‌ی زبان در مغز است؛ مجموعه‌ای از نواحی پیشانی و گیجگاهی در نیم‌کره‌ی چپ که تقریبا فقط به زبان پاسخ می‌دهد، نه به حساب‌وکتاب، نه به موسیقی و نه به استدلال. استدلال نویسندگان این است که کار این شبکه، با همه‌ی اهمیتش، سطحی است. واژه‌ها و ساختارها را می‌شناسد، می‌فهمد چگونه در جمله به هم می‌پیوندند و از آن‌ها بازنمایی‌ای انتزاعی از معنا می‌سازد؛ اما این بازنمایی صرفا بر الگوهای کاربرد زبان استوار است، چیزی شبیه مدل‌های زبانیِ نخستین مانند GPT-2. شبکه‌ی زبان می‌داند مردم درباره‌ی چیزها چگونه سخن می‌گویند، نه آنکه خودِ آن چیزها چگونه‌اند. از جمله شواهد این است که به جمله‌ی دستوری اما بی‌معنای ایده‌های سبزِ بی‌رنگ خشمگینانه می‌خوابند تقریبا همان‌قدر قوی پاسخ می‌دهد که به جمله‌ای معقول. ⌁ @brainlingua ⌁ پس فهمِ عمیق از کجا می‌آید؟ پاسخ این مقاله فرضیه‌ی برون‌فرستی (exportation) است: برای فهمیدن معنای کامل، خروجی شبکه‌ی زبان باید به سامانه‌های دیگری در مغز فرستاده شود که زبان‌اختصاصی نیستند و با تصویر و رویداد غیرکلامی هم درگیر می‌شوند. بر پایه‌ی این فرضیه، متنی درباره‌ی باور یک شخصیت شبکه‌ی نظریه‌ی ذهن را به کار می‌گیرد، توصیف یک اتاق یا مسیر نواحی ویژه‌ی صحنه و ناوبری را، و روایتی که خاطره‌ای را بیدار کند شبکه‌ی حافظه‌ی رویدادی را. تصویر منسجمی که از ماجرا در ذهن می‌سازیم، یعنی همان مدل موقعیت، شاید حاصل هماهنگی همین تخصص‌ها باشد. نویسندگان تاکید می‌کنند که این ادعا با "کلِ مغز در خدمت زبان است" تفاوت دارد: هر ورودی زبانی نخست از شبکه‌ی زبان می‌گذرد، و آنچه پس از آن می‌آید زبان‌اختصاصی نیست. شواهد، اما، یکدست نیستند. روشن‌ترین نمونه نظریه‌ی ذهن است. خواندن افکار دیگران، حتی بی‌آنکه پرسشی در کار باشد، این شبکه را فعال می‌کند، در حالی که شبکه‌ی زبان در بافت‌های عینی/فیزیکیِ تقریبا یکسان درگیر می‌شود. برای ناوبری و فیزیک شهودی شواهد اولیه‌ای موجود است، و درباره‌ی نواحی بینایی، از جمله ناحیه‌ی تشخیص چهره، هنوز نمی‌دانیم که صرفِ فهمیدن یک توصیف کلامی آن‌ها را روشن می‌کند یا نه. بعضی پژوهش‌ها، مثلا درباره‌ی توصیف حرکت، نشانه‌ای از برون‌فرستی نیافته‌اند.

معیارهایی که برای آزمودن فرضیه در این مقاله ارائه می‌شود هم حائز اهمیت است: ناحیه باید از نظر کارکردی اختصاصی باشد، در مغز هر فرد جداگانه شناسایی شود تا میانگین‌گیری گروهی مرز نواحی همسایه را محو نکند، و متن باید منفعلانه خوانده یا شنیده شود، چون اگر از فرد بخواهیم چیزی را تصور کند یا پاسخی بدهد، صدور اطلاعات از پیش تضمین شده است.

⌁ @brainlingua ⌁ اینکه برون‌فرستی کی رخ می‌دهد هم پرسشی گشوده است. شبکه‌ی زبان حافظه‌ی کوتاهی دارد و تنها تکه‌های کوچکی از زبان را نگه می‌دارد، پس معنا باید به سامانه‌هایی سپرده شود که بافت‌های طولانی‌تر می‌سازند. دانش و علاقه‌ی فرد، میزان هوشیاری و توانایی تصویرسازی ذهنی‌اش هم اثر دارد، و دشواریِ ساختار جمله، مثلا برای زبان‌آموزِ غیربومی، احتمال برون‌فرستی را کم می‌کند.

هنوز روشن نیست اطلاعات به‌طور گزینشی به مقصد مناسب مسیریابی می‌شود یا به‌صورت پخش سراسری به همه‌ی سامانه‌ها می‌رسد و هر کدام خود تصمیم می‌گیرد.

⌁ @brainlingua ⌁ مقاله خود را به‌صراحت چارچوبی مفهومی و برنامه‌ای پژوهشی می‌داند، نه گزارش یک یافته‌ی قطعی. فعال‌شدن یک ناحیه‌ی غیرزبانی به‌تنهایی دلیل بر فهم عمیق نیست و هنوز معیار رفتاری مورد توافقی برای سنجش عمق فهم نداریم. با این همه، این نگاه فهمیدن را از رمزگشایی جمله به ساختنِ جهانی در ذهن می‌کشاند و یادآوری می‌کند که شبکه‌ی زبان، به‌تنهایی، بیشتر دروازه است تا مقصد. ◪ ارائه شده توسط | مغز | زبان | شناخت | ◩  آدرس صفحه اینستگرام | ⌁ @brainlingua ⌁

#non_restricted ⚡️ "فهمیدن" در زبان چه معنایی دارد؟ 💡 وقتی شبکه‌ی زبان کارش را تمام می‌کند، فهمیدن تازه آغاز می‌شود. این جمله را بخوانید: " اورکاها (نهنگ‌های قاتل) با ابزارهایی که خودشان می‌سازند، پوست یکدیگر را می‌سایند" احتمالا بی‌آنکه بخواهید، تصویری در ذهنتان شکل گرفت و شاید پرسیدید آن ابزارها از چه ساخته شده‌اند. این تصویر و این پرسش از کجا می‌آید و آیا جزئی از خودِ فهمیدن است؟ 📚 کولتون کاستو، آنا ایوانوا، اولینا فدورنکو و نانسی کانویشر در مقاله‌ای تازه، پاسخی عصب‌شناختی برای همین پرسش پیشنهاد کرده‌اند. #علوم_اعصاب_شناختی #زبان #فهم_زبان #نظریه_ذهن #Cognitive_Neuroscience #Language #Language_Comprehension #Theory_Of_Mind ◪ ارائه شده توسط | مغز | زبان | شناخت | ◩  آدرس صفحه اینستگرام | ⌁ @brainlingua ⌁

از نظر آناتومیک نیز داستان جالب‌تر می‌شود. پژوهشگران در middle premotor cortex (mPMC)، subcentral gyrus (subCG) و ناحیه postcentral–supramarginal junction (POCG–SMG) جمعیت‌هایی نورونی را شناسایی کردند که در هر دو وضعیتِ articulation و imagery، اطلاعات مربوط به حرکات گفتاری را رمزگذاری می‌کنند. این جمعیت‌ها را می‌توان به‌عنوان supramodal populations در نظر گرفت؛ یعنی جمعیت‌هایی که بخشی از بازنمایی مشترک و یکپارچه برنامه‌ریزی گفتاری را در هر دو حالت حفظ می‌کنند. در مقابل، در primary sensorimotor cortex جمعیت‌های اختصاصی‌تری برای گفتار واقعی و گفتار خیالی دیده شد و این جمعیت‌ها به‌صورت somatotopically interleaved سازمان یافته بودند. بنابراین تصویری که آشکار می‌شود، یک مرکز واحد گفتار نیست؛ بلکه بیشتر شبیه یک معماری چندلایه است: Supramodal planning → articulatory representation → modality-specific execution / internal simulation به بیان دیگر، مغز می‌تواند ابتدا یک برنامه یا بازنمایی حرکتی مشترک برای articulation ایجاد کند و سپس، بسته به اینکه فرد واقعا صحبت می‌کند یا صرفا گفتار را در ذهنش شبیه‌سازی می‌کند، این بازنمایی را وارد مسیرهای متفاوتی کند. این تفسیر با چارچوب‌هایی مانند DIVA، State Feedback Control و مدل‌های dual-stream و dynamic speech production نیز هم‌راستا است. ⌁ @brainlingua ⌁

🤖 اما شاید جذاب‌ترین بخش مقاله، Brain–Computer Interface باشد.

پژوهشگران یک چارچوب decoding سه‌گانه طراحی کردند که از فعالیت عصبی، به‌ویژه سیگنال β1، سه نوع خروجی تولید می‌کند: 1- تشخیص هجا، 2- بازسازی ویژگی‌های صوتی گفتار و 3- بازسازی مسیرهای حرکتی articulators. ⌁ @brainlingua ⌁ در طبقه‌بندی هجاهای خیالی، median accuracy حدود 80.4% به دست آمد، در حالی که سطح chance در این آزمایش 16.7% بود. عملکرد برای گفتار واقعی نیز حدود 78.3% گزارش شد. نکته قابل‌توجه این است که مدل صرفا به برچسب یک هجا محدود نماند؛ بلکه تلاش کرد یک واسطه زیستی و قابل تفسیر، یعنی articulatory kinematics، را بین فعالیت مغز و خروجی گفتار قرار دهد. این موضوع برای آینده speech neuroprosthetics اهمیت زیادی دارد. تصور کنید فردی به‌دلیل ALS، locked-in syndrome یا برخی اختلالات شدید گفتاری قادر به تولید گفتار قابل فهم نباشد، اما هنوز بتواند آن گفتار را در ذهن خود تولید کند. اگر مغز واقعا یک internal articulatory code نسبتا پایدار ایجاد کند، می‌توان تلاش کرد به‌جای انتظار برای خروجی از مسیرهای حرکتی نهایی، این اطلاعات را در سطح بالاتری از شبکه عصبی دریافت و به گفتار تبدیل کرد. نویسندگان نیز از همین منظر، نواحی پیشانی‌آهیانه‌ای مانند mPMC و SMG را به‌عنوان اهداف بالقوه برای نسل آینده BCIهای گفتاری مطرح می‌کنند. ◪ ارائه شده توسط | مغز | زبان | شناخت | ◩  آدرس صفحه اینستگرام | ⌁ @brainlingua ⌁

#non_restricted پژوهشگران برای پاسخ به این سوال سراغ high-density electrocorticography (ECoG) رفتند؛ روشی که امکان ثبت فعالیت عصبی با تفکیک زمانی و مکانی بسیار بالا را فراهم می‌کند. داده‌ها از ۹ بیمار دارای تومور مغزی که تحت جراحی بیدار (awake surgery) قرار داشتند، ثبت شد. در حین جراحی، شبکه‌هایی با ۲۵۶ الکترود روی قشر پیشانی‌آهیانه‌ای قرار گرفت و شرکت‌کنندگان دو تکلیف انجام می‌دادند: در حالت اول هجاها را بیان می‌کردند (syllable articulation) و در حالت دوم همان هجاها را بدون ایجاد صدای آشکار و بدون تولید قابل مشاهده، در ذهن خود تکرار می‌کردند (syllable imagery). برای بخشی از شرکت‌کنندگان نیز EMG به‌کار رفت تا نبودِ فعالیت حرکتی آشکار در گفتار خیالی کنترل شود. ⌁ @brainlingua ⌁ اما نکته مهم اینجاست که محققان فقط دنبال این نبودند که بفهمند کدام هجا در ذهن فرد وجود دارد. آنها از Acoustic-to-Articulatory Inversion برای استخراج Articulatory Kinematic Trajectories (AKTs) استفاده کردند؛ یعنی حرکات پیوسته و زمانیِ اندام‌های تولید گفتار، از جمله لب‌ها، فک، زبان و حنجره، به‌عنوان متغیر هدف مدل‌سازی شدند. سپس با استفاده از Temporal Receptive Field (TRF) بررسی کردند که فعالیت عصبی در چه نواحی و در چه باندهای فرکانسی، این پویایی‌های حرکتی را رمزگذاری می‌کند. ⌁ @brainlingua ⌁

🔬 و اینجا یکی از جالب‌ترین یافته‌های مقاله ظاهر می‌شود: مغز برای گفتار واقعی و گفتار خیالی از یک signature فرکانسی یکسان استفاده نمی‌کند.

در گفتار واقعی، اطلاعات مربوط به حرکات articulation عمدتا با High-Gamma (70–150 Hz) همراه بود؛ باندی که در مطالعات ECoG معمولا با فعالیت موضعی نورونی و جزئیات اجرای حرکتی ارتباط داده می‌شود. در مقابل، در speech imagery، الگوی برجسته‌تر در Beta-1 (12–24 Hz) دیده شد. بنابراین، به‌صورت ساده‌شده می‌توان گفت: Overt speech → High-Gamma → execution Imagined speech → Beta-1 → internal simulation / planning این تفکیک به این معنا نیست که β و γ فقط یک کار انجام می‌دهند، اما نشان می‌دهد که مغز هنگام اجرای حرکت گفتاری و هنگام شبیه‌سازی آن در ذهن، از دینامیک‌های عصبی یکسانی استفاده نمی‌کند. خود نویسندگان این یافته را به تفاوت میان external execution و internal simulation مرتبط می‌دانند. ◪ ارائه شده توسط | مغز | زبان | شناخت | ◩  آدرس صفحه اینستگرام | ⌁ @brainlingua ⌁

#non_restricted 🧠 وقتی مغز حرف می‌زند؛ حتی بدون اینکه لب‌ها تکان بخورند آیا وقتی یک کلمه را با صدای بلند می‌گوییم و وقتی همان کلمه را فقط در ذهنمان تکرار می‌کنیم، مغز دقیقا از یک مدار عصبی استفاده می‌کند؟ یک مطالعه جدید در Nature Neuroscience تلاش کرده است به یکی از پرسش‌های مهم در این خصوص پاسخ دهد: آیا speech imagery یا گفتار خیالی صرفا نسخه‌ای ضعیف از گفتار واقعی است، یا مغز برای آن یک سازمان عصبی متمایز دارد؟ #گفتار_خیالی #رمزگشایی_عصبی #علوم_اعصاب_زبان #رابط_مغز_رایانه #تولید_گفتار #Speech_Imagery #Neural_Decoding #Language_Neuroscience #Brain_Computer_Interface #Speech_Production ◪ ارائه شده توسط | مغز | زبان | شناخت | ◩  آدرس صفحه اینستگرام | ⌁ @brainlingua ⌁

این پژوهش با رویکرد fMRI دقیق (precision fMRI) و در سطح فرد انجام شده است. جامعه آماری شامل ۴۸۳ بزرگسال جوان (میانگین سنی ۲۳/۸) و ۶۴ سالمند (میانگین سنی ۵۹/۷، در دو کوهورت مستقل) است. هر شرکت‌کننده دو تکلیف مکان‌یاب (localizer) معتبر انجام داد: تکلیف خواندن جملات در برابر ناواژگان برای شناسایی شبکه زبان، و تکلیف حافظه کاری فضایی دشوار در برابر آسان برای شناسایی شبکه MD. نواحی کارکردی مورد بررسی (fROI) به‌صورت اختصاصی برای هر فرد و با رویکرد Group-constrained Subject-Specific تعریف شدند تا از تنوع میان‌فردی در محل دقیق نواحی عملکردی عبور شود. علاوه بر این، زیرمجموعه‌ای از شرکت‌کنندگان در تکالیف حالت استراحت و گوش‌دادن به داستان نیز شرکت کردند تا اتصال عملکردی درون‌شبکه‌ای و بین‌شبکه‌ای بررسی گردد. سنجه‌های اصلی عبارت بودند از:

✓شباهت الگوی فعال‌سازی به اطلس‌های احتمالاتی، ✓پراکندگی مکانی قله‌های فعالیت، ✓گستردگی فعال‌سازی، ✓جانبی‌شدگی، ✓دامنه پاسخ عصبی، و ✓همبستگی بین‌ناحیه‌ای در حالت استراحت و شنیدن داستان.

⌁ @brainlingua ⌁ نتایج نشان‌دهنده تفکیکی چشمگیر میان دو شبکه است. شبکه زبان در سالمندان از نظر توپوگرافی کلی، درجه جانبی‌شدگی به نیم‌کره چپ (چپ برتری)، گسترش، و قدرت اتصال عملکردی درون‌شبکه‌ای (چه در حالت استراحت و چه هنگام شنیدن داستان) تفاوت معناداری با جوانان نداشت. تنها تفاوت جزئی، پاسخ اندکی قوی‌تر به کنتراست جمله>ناواژه در سالمندان بود که نویسندگان آن را به دایره واژگانی گسترده‌تر و نه افت کارکردی در افراد مسن‌تر نسبت می‌دهند. علاوه بر این، هنگام گوش‌دادن به داستانی با پیچیدگی زبانی بالا، پاسخ‌های عصبی سالمندان همچنان حساسیت کلاسیک به بسامد واژگان و میزان شگفتی (surprisal) را آشکار می‌سازد که نشانه پردازش زبانی سالم است. همچنین دقت پاسخ به پرسش‌های درک مطلب نیز بسیار بالا (۹۷٪) بود. در مقابل، شبکه MD در تمامی سنجه‌ها کاهش مرتبط با سن؛ یعنی توپوگرافی متغیرتر و کمتر منطبق بر اطلس هنجاری، گستردگی و دامنه فعال‌سازی کمتر (به‌ویژه در شرایط دشوار تکلیف)، و کاهش معنادار اتصال عملکردی درون‌شبکه‌ای در هر دو حالت استراحت و شنیدن داستان نشان داد. این کاهش با افت هم‌زمان عملکرد رفتاری در تکلیف حافظه کاری هم‌راستا بود. ⌁ @brainlingua ⌁ بخش مهم دیگر مقاله، آزمون فرضیه رایج "عدم-تمایز عصبی" (de-differentiation) با سالمندی است که مدعی کاهش انتخاب‌گری و تفکیک شبکه‌ها با افزایش سن است. یافته‌های این پژوهش این فرضیه را رد می‌کند: در سالمندان، شبکه زبان و شبکه MD هم از نظر الگوی پاسخ (هیچ‌کدام به تکلیف غیرترجیحی خود پاسخ معناداری نمی‌دهند) و هم از نظر اتصال عملکردی (اتصال درون‌شبکه‌ای به‌طور پایدار از اتصال بین‌شبکه‌ای بیشتر است) همچنان به‌وضوح از هم جدا باقی می‌مانند. نویسندگان یافته‌های خود را در چارچوب فرضیه "حفظ عملکرد عصبی" (brain maintenance) تفسیر می‌کنند: شبکه‌هایی که کارکردشان با سن حفظ می‌شود (زبان)، از نظر عصبی نیز جوان باقی می‌مانند، در حالی که شبکه‌هایی که کارکردشان کاهش می‌یابد (اجرایی)، تغییرات عصبی متناظر را نیز نشان می‌دهند. ◪ ارائه شده توسط | مغز | زبان | شناخت | ◩  آدرس صفحه اینستگرام | ⌁ @brainlingua ⌁

#non_restricted ◒ زبان در برابر زمان: بررسی مقایسه‌ای تغییرات عصبی شبکه زبان و شبکه تقاضای چندگانه با افزایش سن ◓ آیا شبکه عصبی زبان با افزایش سن تغییر می‌کند؟ مطالعات پیشین نشان می‌دهد کارکردهای اجرایی (حافظه کاری، توجه) با سالمندی افول می‌کنند، اما توانایی‌های زبانی نسبتا حفظ می‌شوند. نویسندگان بر اساس این تفاوت رفتاری این فرضیه را مطرح می‌کنند که شبکه‌های عصبی متناظر نیز باید الگوهای متفاوتی از تغییر سنی نشان دهند. برای آزمون این فرضیه، دو شبکه بررسی شده‌اند: شبکه زبان (نواحی چپ‌غالب گیجگاهی-پیشانی) و شبکه تقاضای چندگانه یا MD (نواحی دوطرفه پیشانی-آهیانه‌ای، مرتبط با کارکرد اجرایی). نویسندگان تاکید می‌کنند بسیاری از مطالعات قبلی به دلیل استفاده از تکلیف‌های ترکیبی (زبان + بار شناختی) و تحلیل گروهی که مرز این دو شبکه نزدیک‌به‌هم را تار می‌کند، به نتایج ناسازگار رسیده‌اند. #شبکه_عصبی_زبان #شبکه_تقاضای_چندگانه #پیری_شناختی #Language_Network #Multiple_Demand_Network #Cognitive_Aging ◪ ارائه شده توسط | مغز | زبان | شناخت | ◩  آدرس صفحه اینستگرام | ⌁ @brainlingua ⌁

#non_restricted نویسندگان بر پایه این یافته‌ها، چارچوبی نظری و سلسله‌مراتبی پیشنهاد می‌کنند که در آن نوسانات فرکانس‌پایین (تتا، آلفا، بتای پایین) نقش رهبر ارکستر را ایفا می‌کنند: هماهنگ‌کنندگانی کلان‌مقیاس که سه کارکرد اصلی را برعهده دارند: برآورد و مقایسه حالت پیش‌بینی‌شده با بازخورد حسیِ واقعی، تخصیص توجه و سرکوب اطلاعات نامرتبط با تکلیف، و مقیاس‌بندیِ پویای فرمان‌های اصلاحی متناسب با میزان خطا. در مقابل، نوسانات فرکانس‌بالا (بتای بالا و گاما) به‌مثابه نوازندگان عمل می‌کنند: سیگنال‌های موضعی که هنگام تضعیف کنترل پیش‌بینی‌کننده، بارِ پردازشیِ بیشتری برعهده می‌گیرند. به تعبیر تمثیلیِ نویسندگان، در زبان‌پریشی وقتی رهبر ارکستر دچار اختلال می‌شود، نوازندگان ناچارند برای حفظ انسجام اجرا، فعالیت و شدت خود را افزایش دهند؛ نتیجه، اجرایی پرصداتر و پرزحمت‌تر است که هماهنگی و زمان‌بندیِ پیش‌بینی‌کننده یک ارکستر خوب‌رهبری‌شده را فاقد است. ▤ @brainlingua ▤ این چارچوب، که به‌صراحت با مدل‌های موجودِ کنترل حرکتی گفتار مانند DIVA و مدل FACTS مبتنی بر کنترل تلفیقیِ حالت‌ـ‌تکلیف در تعارض نیست بلکه آن‌ها را در سطح نوسانات فرکانسی بسط می‌دهد. با مدل‌های سلسله‌مراتبیِ رمزگذاری پیش‌بینی‌کننده که در آن نوسانات فرکانس‌پایین پیش‌بینی‌های بالا‑به‌پایین را حمل می‌کنند و ریتم‌های فرکانس‌بالا سیگنال‌های دقتِ پایین‌‑به‌بالا را رمزگذاری می‌کنند نیز هم‌سوست. نکته درخور توجه این است که این مدل صرفا توصیفی نیست، بلکه پیش‌بینی‌های آزمون‌پذیری برای پژوهش‌های آینده تولید می‌کند؛ برای نمونه این‌که آیا فعالیت بتای بالا و گاما با افزایش دشواریِ تکلیف یا تلاش جبرانی، در غیابِ تعدیل متناسبِ فرکانس‌پایین، مقیاس می‌یابد یا خیر. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

بررسی رفتاری پاسخ‌های تولیدی نشان داد که مکانیسم تشخیص اولیه خطا در افراد زبان‌پریش تا حد زیادی دست‌نخورده باقی مانده است، زیرا Latency در شروع پاسخ جبرانی در هر دو گروه مشابه و در حدود ۱۹۰ میلی‌ثانیه بود. با این حال، در کوشش‌های اولیه، گروه زبان‌پریش پاسخ جبرانی ضعیف‌تری در فرکانس سازه اول (F1) نسبت به گروه سالم نشان داد. در تمامی کوشش‌ها، افراد زبان‌پریش تغییرات جبرانی متفاوت و بزرگتری در سازه دوم (F2) نشان دادند؛ در حالی که دستکاری تنها روی F1 انجام شده بود. این امر نشان‌دهنده یک اختلال در وزن‌دهی سیگنال‌های خطای شنیداری‑حرکتی است که به موجب آن، بیمار کنترل ابعاد نامربوط حرکتی را از دست داده و استراتژی‌های جبرانی ناسازگاری را به کار می‌گیرد. ▤ @brainlingua ▤ نتایج EEG نشان‌دهنده آسیب‌های گسترده اما با ویژگی‌های زمانی و فرکانسیِ خاص در گروه زبان‌پریش بود:

باندهای تتا و آلفا (نقص در پایش پیش‌بینانه و توجه): هر دو گروه در این باندها دچار ناهمگام‌سازی (Desynchronization) شدند که نشان‌دهنده پایش فعال است. اما این ناهمگام‌سازی در گروه زبان‌پریش، به‌ویژه در باند آلفا و فازهای انتهایی تتا، به مراتب ضعیف‌تر بود. این کاهش سرکوب، بیانگر ضعف بیمار در حفظ توجه و درگیری شناختی-نظارتی در طول تولید گفتار است. باند بتای بالا (تکیه بر کنترل واکنشی): در حالی که گروه سالم یک بازگشت (Rebound) طبیعی در باند بتا نشان داد، گروه زبان‌پریش دارای همگام‌سازی بسیار بالاتر در بتای بالا (حتی پیش از شروع گفتار) بود. این افزایش فعالیت نشان می‌دهد که مغز بیمار توانایی بروزرسانیِ پیش‌دستانه (Proactive) مدل‌های حرکتی را از دست داده و به شدت بر مکانیسم‌های واکنشی (Reactive) و پرفشار برای تثبیت وضعیت حرکتی تکیه می‌کند. باند گاما (پردازش‌های موضعی و جبرانی): فعالیت باند گاما در افراد زبان‌پریش اندکی تقویت شده بود که بازتاب‌دهنده افزایش بار پردازش‌های موضعی قشر مغز است. به عبارت دیگر، سیستم عصبی سعی می‌کند با افزایش محاسبات موضعیِ سریع، افتِ پشتیبانیِ شبکه‌های پیش‌بینانه (در باندهای فرکانس پایین) را جبران کند. با آنکه تفاوت گروهی معنادار نبود، افزایش خفیفِ کلیِ گاما در بیماران زبان‌پریش با تکیه فزاینده بر محاسبات موضعی و پرهزینه قشری سازگار است — الگویی مشابه راهبرد جبرانیِ از پایین به بالا که پیش‌تر در دیسلکسی نیز گزارش شده و نشان می‌دهد وقتی سازوکارهای یکپارچه‌سازِ کلان‌مقیاس دچار اختلال می‌شوند، مغز به گردآوریِ مدارهای موضعی برای حفظ کارکرد روی می‌آورد. گسست عصبی-رفتاری (Decoupling): در گروه سالم، میزان رفتار جبرانی در تولید گفتار با افزایش توانِ باندهای تتا و بتا ارتباط مستقیم داشت. اما این ارتباط (Coupling) در گروه زبان‌پریش از بین رفته بود؛ به این معنا که سیستم عصبیِ آن‌ها قادر به مقیاس‌بندی فعالیت خود متناسب با نیازهای رفتاری و اندازه خطای رخ‌داده نیست. بیماران زبان‌پریش می‌توانند حرکت اصلاحی تولید کنند، اما سیستم عصبی آنان قادر به تنظیم متناسبِ فعالیت نوسانی با میزان تقاضای تکلیف نیست. آنچه از بیرون به‌مثابه جبران رفتاریِ کارآمد به‌نظر می‌رسد، در واقع محصول راهبردهای جایگزین و کم‌بازده‌تری است که فاقد دقتِ پیش‌بینی‌کننده زیربناییِ گفتار سالم است.

▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

برخلاف اغلب پژوهش‌های پیشین که بر جابه‌جایی زیروبمی صدا و کنترل حنجره‌ای تمرکز داشته و عمدتا شبکه‌های راست‌نیمکره‌ایِ مرتبط با آهنگ کلام را درگیر می‌کنند، در یک مطالعه پارادایم جابه‌جایی سازه اول (F1) را مورد بررسی قرار داده‌اند؛ چرا که این روش مسیرهای چپ‌نیمکره‌ای مرتبط با کنترل واجی‌ـ‌تولیدی؛ از‌جمله مسیر پشتی (dorsal stream)، شکنج گیجگاهی بالایی و نواحی پیش‌حرکتی — را هدف می‌گیرد و ازاین‌رو ابزار دقیق‌تری برای مطالعه آسیب‌های تولیدی است که هسته اصلی زبان‌پریشی پس از سکته را تشکیل می‌دهند. ▤ @brainlingua ▤ مطالعات ERP نشان می‌دهد که زبان‌پریشی با کاهش دامنه و افزایش تاخیر مولفه‌های N1 و P2 همراه است؛ یافته‌ای که از رمزگذاری شنیداری اولیه آسیب‌دیده و اختلال در مراحل بعدیِ پایش و اصلاح خطا حکایت دارد. اما تحلیل ERP تنها بخشی از فعالیت عصبی؛ یعنی مولفه‌های قفل‌شده به فاز محرک را آشکار می‌کند و از سنجش پویایی‌های نوسانیِ غیرقفل‌به‌فاز (induced) که بخش مهمی از پردازش زبانی و شنیداری را تشکیل می‌دهند، ناتوان است. ازاین‌رو در این مطالعه، با به‌کارگیری تحلیل زمان‌-فرکانس و شاخص توان میدان کلی (Global Field Power)، پنجره وسیع‌تری از دینامیک‌های نورونی بررسی شده است. نوسانات تتا و آلفا عمدتا با تخصیص توجه و پایش خطا؛ نوسانات بتا با رمزگذاری پیش‌بینی‌کننده و برنامه‌ریزی حرکتی؛ و نوسانات گاما با پردازش موضعی و سریعِ تشخیص خطا مرتبط دانسته می‌شوند. بازخورد شنیداری تغییریافته در افراد سالم، هماهنگیِ نوسانات پیش‌بینی‌کننده فرکانس‌پایین را با پردازش موضعیِ فرکانس‌بالا برمی‌انگیزد، و زبان‌پریشی پس از سکته این هماهنگی را مختل می‌سازد؛ اختلالی که باید هم در تعدیل فرکانسی نوسانات و هم در پیوند میان فعالیت نوسانی و رفتار جبرانیِ تولیدی نمود یابد. ▤ @brainlingua ▤ این مطالعه با ۳۱ بیمار مبتلا به زبان‌پریشیِ ناشی از سکته ایسکمیک مزمن نیمکره چپ (بیش از شش ماه پس از سکته) و ۳۴ فرد سالم انجام شده و شدت زبان‌پریشی با آزمون وسترن ویرایش‌شده (WAB-R) ارزیابی شده است. نقشه‌برداری ضایعه با MRI در ۲۸ از ۳۱ بیمار نشان داد که در ۷۵ درصد موارد (۲۱ نفر)، ضایعات شبکه‌ای گسترده شامل شکنج پیشانی پایینی (pars opercularis)، اپرکولوم رولاندیک، شکنج‌های پیش‌مرکزی و پس‌مرکزی، اینسولا، لوبول آهیانه‌ای پایینی، شکنج فوق‌حاشیه‌ای، شکنج هچل، و شکنج‌های گیجگاهی بالایی و میانی را دربرمی‌گیرد؛ الگویی که مستقیما با شبکه عصبیِ درگیر در یکپارچگی شنیداری‑حرکتی گفتار هم‌پوشانی دارد. شرکت‌کنندگان واژه تک‌هجایی را با کشیدگی واکه به مدت ۲ تا ۳ ثانیه تولید می‌کردند، درحالی‌که بازخورد شنیداری آن‌ها از طریق ایرفون‌های داخل‌گوشی و با نرم‌افزار Audapter در بستر MATLAB، به‌صورت بلادرنگ دستکاری می‌شد. فعالیت الکتریکی مغز با سامانه ۶۴‑کاناله BrainVision actiCHamp و نرخ نمونه‌برداری ۱ کیلوهرتز ثبت شد. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

#non_restricted 🟣 پویایی نوسانات عصبی در زبان‌پریشی: تحلیل نقص یکپارچگی شنیداری-حرکتی پس از سکته مغزی تولید روان گفتار مستلزم یکپارچه‌سازی پیوسته میان بازخورد شنیداری و فرمان‌های حرکتی است؛ فرایندی که در چارچوب مدل‌های پیش‌رو (forward models) و نظریه‌های کنترل حرکتی گفتار مانند DIVA و مدل‌های یکپارچگی حسی‌حرکتی صورت‌بندی شده است. برای کاوش تجربی این سازوکار، پژوهشگران از دیرباز از پارادایم‌های بازخورد شنیداری تغییریافته (Altered Auditory Feedback) — شامل جابه‌جایی زیروبمی صدا، تاخیر، پوشانش (masking)، و جابه‌جایی سازه‌ای (formant-shift) — بهره برده‌اند. #زبان_پریشی #یکپارچگی_شنیداری_حرکتی #نوسانات_عصبی #Post_Stroke_Aphasia #Auditory_Motor_Integration #Neural_Oscillations ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

#non_restricted در بخش دیگر پژوهش، پتانسیل‌های ACEP در ۱۰ بیمار و طی ۳۷ ثبت موفق ارزیابی شدند. پاسخ‌های مثبت ACEP—با دامنه‌ی بالای ۱۰ میکروولت—مطابقتی کامل با مناطق شناسایی‌شده توسط Tractography و nTMS داشتند و مجاورت لبه‌ی جراحی با مسیرهای ماده سفید را تایید می‌کردند. دامنه‌های ACEP در شرایط بیهوشی عمومی و در تومورهای درجه بالاتر نیز به‌طور معناداری بیشتر بود. نویسندگان افزایش دامنه‌ی N1 پس از برداشتن تومور را از چند زاویه تحلیل کرده‌اند: ▤ @brainlingua ▤

نخست، تحریک‌پذیری بیش از حد قشر مغز: برداشتن جرم تومور و کاهش فشار بافتی می‌تواند مهار گاباارژیک را در نواحی اطراف تومور کاهش دهد و شبکه‌های عصبی را به حالتی فعال‌تر بازگرداند. دوم، پلاستیسیته‌ی عصبی: مغز بیماران مبتلا به گلیوم ممکن است پیش‌تر از مسیرهای موازی یا چندسیناپسی برای جبران عملکرد زبانی بهره برده باشد که پس از حذف تومور، اتصال‌پذیری موثر این شبکه‌ها آشکارتر می‌شود. سوم، عوامل بیوفیزیکی نظیر تغییر هندسه‌ی حفره‌ی جراحی، رسانایی بافت و فروکش کردن اِدِم (Edema)؛ با این حال، ثابت ماندن زمان تاخیر نشان می‌دهد این تغییرات صرفا محصول نویز یا هدایت حجمی ساده نیستند و ریشه‌ای فیزیولوژیک دارند.

مقاله همچنین بر ضرورت استفاده‌ی هم‌زمان از هر دو آرایش دوقطبی و مرجع تاکید می‌کند: آرایش مرجع سیگنال‌های وسیع‌تری با حساسیت بالاتر ثبت می‌کند، حال آنکه آرایش دوقطبی تفکیک فضایی بهتر و مقاومت بیشتری در برابر نویز دارد؛ نادیده گرفتن ثبت دوقطبی می‌تواند به موارد منفی کاذب در تشخیص آسیب بینجامد. ▤ @brainlingua ▤ بطور کل، یافته‌های این پژوهش نشان می‌دهد که AF-CCEP و AF-ACEP روش‌هایی عملی، ایمن و بازتولیدپذیر برای پایش کارکردی مسیرهای زبانی در جراحی تومورهای اطراف شیار سیلوین‌اند. پایداری زمان تاخیر موج N1 نشانه‌ی سلامت فیبرهای عصبی است، در حالی که افت دامنه‌ی آن به بیش از ۵۰ درصد هشداری جدی برای آسیب به طناب هلالی و بروز آفازی پس از جراحی محسوب می‌شود. در مواردی که کرانیوتومی بیدار ناممکن یا ممنوع است، پایش AF-CCEP تحت بیهوشی عمومی جایگزینی ارزشمند برای کاهش عوارض زبانی به شمار می‌رود، و AF-ACEP نیز به‌عنوان ابزاری مکمل درون حفره‌ی جراحی، مرزهای دقیق ماده سفید را مشخص می‌سازد و جراح را در دستیابی به حداکثر برداشت ایمن تومور یاری می‌دهد. این پژوهش گامی است در مسیر نگاهی شبکه‌ای‌تر به ارزیابی‌های الکتروفیزیولوژیک در جراحی‌های نورو-انکولوژی و زمینه‌ساز استانداردسازی پروتکل‌های پایش مسیرهای زبانی. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

#non_restricted در این خصوص، در یک پژوهش به بررسی دو زیست‌نشانگر پرداخته شده است: پتانسیل‌های برانگیخته قشری-قشری (AF-CCEP)، که از تحریک یک ناحیه قشری و ثبت پاسخ در ناحیه‌ی متصل به آن حاصل می‌شود، و پتانسیل‌های برانگیخته آکسونی-قشری (AF-ACEP)، که از تحریک مستقیم رشته‌های ماده سفید در حفره‌ی برداشت تومور و ثبت پاسخ قشری به دست می‌آید. هدف اصلی، ارزیابی امکان‌پذیری فنی، کاربرد بالینی و ارزش پیش‌بینانه‌ی این دو روش در طول جراحی تومورهای بالای خیمه‌ای (Supratentorial) و در کنار آن، پاسخ به این پرسش که آیا تغییرات ریخت‌شناختی موج N1—دامنه و زمان تأخیر آن—می‌تواند زیست‌نشانگری برای پیش‌بینی عملکرد زبانی پس از جراحی باشد. ▤ @brainlingua ▤ این مطالعه‌ی گذشته‌نگر و چندمرکزی بر روی ۱۹ بیمار انجام شد که میان ژوئن ۲۰۲۴ تا سپتامبر ۲۰۲۵ تحت جراحی برداشتن تومورهای مجاور یا درگیرکننده‌ی AF قرار گرفتند؛ ۱۲ نفر با تومور درجه پایین و ۷ نفر با تومور درجه بالا، که از این میان ۱۰ جراحی به‌صورت بیدار و ۹ جراحی تحت بیهوشی عمومی صورت گرفت. برای ثبت AF-CCEP، پالسی تک‌مرحله‌ای با شدت ۱۰ تا ۲۰ میلی‌آمپر بر شکنج پیشانی پایینی اعمال و پاسخ آن از طریق الکترودهای نواری در شکنج گیجگاهی بالایی، در دو آرایش مرجع و دوقطبی، ثبت می‌شد. برای AF-ACEP نیز تحریک دوقطبی زیرقشری در دیواره‌های دیستال و عمقی حفره‌ی جراحی اعمال و پاسخ قشری ثبت می‌گردید. تصویربرداری DTI Tractography پیش از جراحی و، در موارد ممکن، تحریک مغناطیسی تکرارشونده‌ی ناوبرشده (nTMS)، مسیر هدایت الکترودها را دقیق‌تر می‌ساختند. ▤ @brainlingua ▤ نخستین یافته‌ی برجسته، پایداری چشمگیر زمان تاخیر موج N1 در طول جراحی بود—از میانگین ۱۶/۰۲ میلی‌ثانیه پیش از برداشت تومور تا ۱۵/۷۴ میلی‌ثانیه پس از آن—که نشان می‌دهد این متغیر معیاری ثابت و مستقیم از سرعت هدایت آکسونی در مسیر سالم AF است. در مقابل، و برخلاف انتظار اولیه‌ی پژوهشگران مبنی بر ثبات دامنه، دامنه‌ی اوج موج N1 در کل کوهورت پس از برداشتن تومور به‌طور معناداری افزایش یافت (p = ۰/۰۰۱)؛ افزایشی که در آرایش مرجع و در تومورهای نواحی پیشانی و گیجگاهی مشهودتر بود. افت دامنه‌ی موج N1 به میزان بیش از ۵۰ درصد به‌عنوان آستانه‌ی هشدار بالینی در نظر گرفته شد. در سراسر مطالعه، تنها یک بیمار چنین افت شدیدی را تجربه کرد: فردی مبتلا به اولیگودندروگلیومای درجه ۲ آهیانه‌ای چپ که در حین جراحی عمقی، افت تقریبا کامل سیگنال را در آرایش دوقطبی CCEP نشان داد. این بیمار پس از جراحی دچار آفازی هدایتی شد؛ DTI پس از عمل نیز قطع‌شدگی و آسیب موضعی در بخش پشتی AF را تایید کرد، هرچند او در پیگیری دوازده‌ماهه حدود ۸۰ درصد از توانایی زبانی خود را بازیافت. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

#non_restricted 🔺 نقشه‌ی زنده‌ی زبان: ارزیابی پتانسیل‌های عصبیِ طناب هلالی در طول جراحی گلیوم حفظ عملکرد زبان پس از جراحی تومورهای مغزی، به‌ویژه گلیوم‌های مجاور یا درگیرکننده مسیرهای تکلمی، یکی از دشوارترین چالش‌ها بوده است. در قلب این چالش، طناب هلالی (AF) قرار دارد؛ اصلی‌ترین رشته‌ی مسیر پشتی زبان که نواحی درک و تولید گفتار، یعنی نواحی سنتی ورنیکه و بروکا، را به یکدیگر متصل می‌کند. آسیب به این دسته نورونی می‌تواند به آفازی هدایتی و اختلال در تکرار کلمات بینجامد. اگرچه کرانیوتومی بیدار همراه با تحریک مستقیم الکتریکی همچنان استاندارد طلایی نقشه‌برداری زبان به شمار می‌رود، بسیاری از بیماران—سالمندان یا افراد با اختلالات شناختی، یا مبتلایان به تومورهای بسیار گسترده—از این گزینه محروم‌اند. از همین رو، توسعه‌ی روش‌های الکتروفیزیولوژیک پیوسته جهت پایش مسیرهای زبانی حتی تحت بیهوشی عمومی اهمیتی بالینی انکارناپذیر یافته است. #آفازی_هدایتی #جراحی_تومور #پلاستیسیته_عصبی #Arcuate_Fasciculus #GliomaSurgery #Neuroplasticity ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

ارزش این مقاله را باید در پرتو گفت‌وگویی که با نظریه‌های رقیب موجود برقرار می‌کند سنجید. نخست، یافته سازمان‌یابی اولیه شبکه ریاضی، فرضیه بازیافت عصبی را نه‌فقط تأیید بلکه از آن فراتر می‌رود؛ زیرا نشان می‌دهد که این شبکه بازیافته‌شده، پس از استقرار اولیه، از طریق سه سازوکار هم‌زمان (تقویت، فراخوانی، خودکارسازی) دگرگون می‌شود، نه از طریق افزودن ساده نواحی تازه یا هرس (pruning) نواحی کهنه—تصویری بسیار ظریف‌تر از آنچه دو مدل ساده‌شده اولیه‌رقیب در ادبیات پیشنهاد می‌کردند. ▤ @brainlingua ▤ دوم، این پژوهش به‌شکلی قانع‌کننده تناقضی دیرینه در ادبیات پیشین درباره سیر تحولی قشر پیش‌پیشانی را حل می‌کند. مطالعات مقطعی کودک-بزرگسال معمولا کاهش فعالیت پیشانی را با افزایش سن گزارش کرده‌اند، درحالی‌که مطالعات ریزدانه‌تر درون‌گروه کودکان—از جمله همین مطالعه—افزایش فعالیت پیشانی را نشان می‌دهند. نویسندگان استدلال می‌کنند که این دو الگو متناقض نیستند، بلکه دو بخش از یک مسیر تحولی را نشان می‌دهند: مشارکت پیش‌پیشانی ابتدا، در حین اکتساب یک مهارت پیچیده (یعنی همان بازه سنی‌ای که این مطالعه پوشش می‌دهد)، افزایش می‌یابد و سپس، با خودکارشدن تدریجی پردازش (که عمدتا در بازه‌های تحولی طولانی‌تر و در مقایسه‌های کودک-بزرگسال آشکار می‌شود)، کاهش می‌یابد. نویسندگان این الگو را با یافته‌های مشابه درباره نقش گذرای هیپوکامپ در یادگیری حقایق حسابی و نیز با مسیر تحولی شبکه‌های آهیانه‌ای-پیشانی در فرایند یادگیری خواندن مقایسه می‌کنند و آن را نشانه یک اصل کلی‌تر می‌دانند: قشر پیش‌پیشانی در ابتدا به‌مثابه داربستی برای اکتساب مهارت‌های پیچیده عمل می‌کند، پیش از آن‌که بازسازماندهی عصبی، پردازش را به‌سوی مدارهای تخصصی‌تر و کارآمدتر سوق دهد. ▤ @brainlingua ▤ سوم، یافته مربوط به aLOC، پژوهش‌های پیشین درباره نقش این ناحیه در پردازش هندسی و ادراک بصری در بزرگسالان (از جمله در تفسیر نمودار و شکل‌های هندسی) را به کودکان تعمیم می‌دهد، و ضمن مقایسه با یافته‌های دیگر مبنی بر رشد بیشتر aLOC راست تا بزرگسالی، فرضیه‌ای برای پژوهش‌های آتی طرح می‌کند: احتمالا aLOC چپ به‌طور اختصاصی برای واژگان و جملات هندسی تنظیم می‌شود، درحالی‌که aLOC راست بیشتر با انباشت دانش درباره اشکال و گرافیک بصری (فارغ از زبان) پیوند دارد. ▤ @brainlingua ▤ چهارم، مسئله فراخوانی قلمرو قشری تازه، پرسشی بازمی‌گشاید که در حوزه خواندن به‌خوبی کاویده شده اما در حوزه ریاضیات کمتر بررسی شده است: این وُکسل‌های تازه‌فراخوانده‌شده پیش از این چه کارکردی داشته‌اند؟ نویسندگان با استناد به هم‌پوشانی شناخته‌شده بازنمایی‌های عددی/هندسی و بصری-فضایی در IPS، فرضیه می‌کنند که این نواحی احتمالا در ابتدا عملیات بصری-فضایی را پشتیبانی می‌کرده و سپس برای رمزگذاری محتوای انتزاعی عددی یا هندسی جملات بازآرایی شده‌اند. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

نخستین و شاید بنیادی‌ترین یافته مقاله این است که حتی در کودکان ۵ تا ۶ ساله پیش‌دبستانی، شنیدن جملات ریاضی (در تقابل با جملات دانش عمومی و اجتماعی) شبکه‌ای دوطرفه از نواحی مغزی را فعال می‌کند که شیارهای بین‌آهیانه‌ای (IPS)، شکنج‌های گیجگاهی پایینی (ITG)، شکنج‌های پیشانی پایینی (IFG)، شکنج‌های پیشانی میانی (MFG) و شکنج سینگولیت پشتی را دربر می‌گیرد. این الگو در هر سه نوبت سنی به‌طور مستقل تکرار شد. با تعریف هشت ناحیه هدف مشخص بر مبنای داده بزرگسالان، مشخص شد که پاسخ به جملات ریاضی در همه این هشت ناحیه به‌طور معنادار از پاسخ به جملات اجتماعی فراتر می‌رود (با اختلاف معنادار از ۵ تا ۷ ثانیه پس از آغاز جمله)، و در شش ناحیه از هشت ناحیه (همه به‌جز MFG چپ و راست) از پاسخ به جملات دانش عمومی نیز فراتر می‌رود. این یافته حمایت قاطعی از فرضیه بازیافت عصبی فراهم می‌آورد و شواهد محدود پیشین درباره نوزادان و پیش‌دبستانی‌ها را به شکلی بسیار مستحکم‌تر گسترش می‌دهد: معماری قشری ریاضیات پیش از هرگونه آموزش رسمی جای‌گرفته و کاملا فعال‌پذیر است. ▤ @brainlingua ▤ در سطح دقیق‌تر، مقایسه جملات هندسی با جملات حسابی، تنها یک ناحیه منفرد را به‌طور گزینشی فعال کرد: قشر طرفی-جلویی پس‌سری چپ (left anterior lateral occipital cortex یا aLOC چپ)، که در مرز خلفی شکنج گیجگاهی پایینی چپ قرار دارد. این ناحیه نه‌فقط برای حساب، بلکه دانش عمومی و جملات اجتماعی نیز فعالیت بیشتری نشان داد، درحالی‌که ناحیه متناظر در نیم‌کره راست تنها در مقایسه با جملات اجتماعی برتری معنادار نشان داد و در مقایسه با حساب یا دانش عمومی تفاوتی آشکار نکرد. با این حال، این تفکیک موضعی، شبکه گسترده‌تر ریاضیات را دوپاره نمی‌کند: حساب و هندسه در هسته مشترک هشت ناحیه ریاضی هم‌پوشانی چشمگیری دارند و تفاوت میان آن‌ها پس از تصحیح چندگانه معنادار نمی‌ماند. نکته ظریف‌تر، وجود یک شیب جلویی-پشتی درون خود IPS است: بخش‌های جلویی‌تر IPS پاسخ بیشتری به هندسه و بخش‌های پشتی‌تر پاسخ بیشتری به حساب می‌دهند. این الگو نشان می‌دهد که حتی در سنین بسیار پایین، شبکه ریاضی نه یک توده یکپارچه و فاقد تمایز، بلکه دارای درجاتی از تخصص‌یابی زیرحوزه‌ای است—امری که پیش‌تر عمدتا در بزرگسالان و ریاضی‌دانان حرفه‌ای گزارش شده بود. از میان هشت ناحیه، تنها IPS دوطرفه هم افزایش وابسته به سن در فعالیت و هم پایداری فعالیت برای جملات کاملا تسلط‌یافته را هم‌زمان نشان داد—یافته‌ای که جایگاه محوری و پایدار IPS در قلب شناخت ریاضی را در سراسر تحول تأیید می‌کند و با مدل سه‌رمزی (triple-code model) شناخت عددی همخوان است: IPS به‌مثابه یک منطقه همگرایی معنایی و فرامدالیته عمل می‌کند که حتی از طریق ورودی صرفا کلامی (بدون ارائه محرک عددی عینی مانند نقطه یا رقم) فعال می‌شود—و این پژوهش نشان می‌دهد که این کارکرد از دوره پیش‌دبستان، هم برای حساب و هم برای هندسه، و در هماهنگی تنگاتنگ با ITG، IFG و MFG برقرار است. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤