#یادگیری تنها در #قشرمخ (#کرتکس) رخ نمی دهد: شواهد دخالت #مخچه در یادگیری
#Cerebellar #granule #cells #acquire a widespread #predictive #feedback #signal during #motor #learning
پژوهشگران انستیتو نوروساینس دانشگاه #پرینستن 🇺🇸 در پژوهش های خود دریافته اند که هنگام یادگیری، مخچه به طرز اعجاب انگیزی فعال می شود. نتایج این پژوهش نشان می دهند #سلول های #دانه دار مخچه که بطور فشرده در کنار هم قرار دارند، در یادگیری بصورت فعال عمل می کنند.
🔍سلول های دانه دار مخچه نیمی از #نورون های مغز را تشکیل می دهند و از نظر #کارکردی،#اطلاعات زمینه ای برای #یادگیری ح#رکتی را برای سلول های #پورکینجه فراهم می آورند.
🔬در این پژوهش با روش #میکروسکوپی دو #فوتونی وضعیت فعالیت سلول های دانه دار مخچه هنگام یادگیری تمرینات #غفلت #بینایی مورد تحلیل قرار گرفتند. نتایج نشان دادند که حین یادگیری به تدریج با افزایش میزان یادگیری، فعالیت سلول های دانه دار نیز #شرطی شده و با افزایش حجم یادگیری این فعالیت نیز بالاتر رفت. همچنین مشخص شد با حضور علایم شرطی، این سلول ها آماده فعالیت می شوند.
Abstract
#Cerebellar #granule cells, which constitute half the #brain's #neurons, supply #Purkinje #cells with #contextual #information necessary for #motor #learning, but how they encode this information is unknown. Here we show, using #two-photon #microscopy to track #neural #activity over multiple days of #cerebellum-dependent #eyeblink conditioning in mice, that granule cell populations acquire a dense representation of the anticipatory eyelid movement. Initially, granule cells responded to neutral visual and somatosensory stimuli as well as periorbital airpuffs used for #training. As #learning progressed, two-thirds of monitored granule cells acquired a conditional response whose timing matched or preceded the learned #eyelid movements. Granule cell activity covaried trial by trial to form a redundant code. Many granule cells were also active during movements of nearby body structures. Thus, a #predictive #signal about the upcoming movement is widely available at the input stage of the cerebellar #cortex, as required by forward models of cerebellar #control.
لینک منبع 👇🏻(further reading)👇🏻
http://www.nature.com/neuro/journal/vaop/ncurrent/full/nn.4531.html
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Cerebellar #granule #cells #acquire a widespread #predictive #feedback #signal during #motor #learning
پژوهشگران انستیتو نوروساینس دانشگاه #پرینستن 🇺🇸 در پژوهش های خود دریافته اند که هنگام یادگیری، مخچه به طرز اعجاب انگیزی فعال می شود. نتایج این پژوهش نشان می دهند #سلول های #دانه دار مخچه که بطور فشرده در کنار هم قرار دارند، در یادگیری بصورت فعال عمل می کنند.
🔍سلول های دانه دار مخچه نیمی از #نورون های مغز را تشکیل می دهند و از نظر #کارکردی،#اطلاعات زمینه ای برای #یادگیری ح#رکتی را برای سلول های #پورکینجه فراهم می آورند.
🔬در این پژوهش با روش #میکروسکوپی دو #فوتونی وضعیت فعالیت سلول های دانه دار مخچه هنگام یادگیری تمرینات #غفلت #بینایی مورد تحلیل قرار گرفتند. نتایج نشان دادند که حین یادگیری به تدریج با افزایش میزان یادگیری، فعالیت سلول های دانه دار نیز #شرطی شده و با افزایش حجم یادگیری این فعالیت نیز بالاتر رفت. همچنین مشخص شد با حضور علایم شرطی، این سلول ها آماده فعالیت می شوند.
Abstract
#Cerebellar #granule cells, which constitute half the #brain's #neurons, supply #Purkinje #cells with #contextual #information necessary for #motor #learning, but how they encode this information is unknown. Here we show, using #two-photon #microscopy to track #neural #activity over multiple days of #cerebellum-dependent #eyeblink conditioning in mice, that granule cell populations acquire a dense representation of the anticipatory eyelid movement. Initially, granule cells responded to neutral visual and somatosensory stimuli as well as periorbital airpuffs used for #training. As #learning progressed, two-thirds of monitored granule cells acquired a conditional response whose timing matched or preceded the learned #eyelid movements. Granule cell activity covaried trial by trial to form a redundant code. Many granule cells were also active during movements of nearby body structures. Thus, a #predictive #signal about the upcoming movement is widely available at the input stage of the cerebellar #cortex, as required by forward models of cerebellar #control.
لینک منبع 👇🏻(further reading)👇🏻
http://www.nature.com/neuro/journal/vaop/ncurrent/full/nn.4531.html
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
♻️#مدلسازی و #پیش_بینی #توجه #مستمر
#Connectome-based #predictive #modeling of #attention: Comparing different #functional #connectivity features and #prediction methods across #datasets
در گزارشی که به تازگی منتشر شده است، پژوهشگران نوروساینس دانشگاه ییل 🇺🇸 روشی جدید برای #مدلسازی، #طبقه بندی و #پیش بینی #الگوهای توجه در افراد یافته اند.
🔬در این پژوهش 294 داوطلب تکالیف توجهی مختلفی را در وضعیت های مختلف و حین #fMRI انجام دادند.
📚بر اساس یافته های پژوهش حاضر، می توان در حوزه #توجه #پایدار در افراد، بر اساس #تفاوتهای #فردی 12 الگوی مختلف وجود دارد که بر اساس آن #کنشوری و #عملکرد کارکردهای اجرایی افراد با دقت بالایی قابل پیش بینی است.
Abstract
#Connectome-based predictive #modeling was recently developed to predict #individual #differences in #traits and #behaviors, including #fluid #intelligence and #sustained #attention, from #functional #brain #connectivity (#FC) measured with #fMRI. Here, using the #CPM framework, we compared the #predictive power of three different measures of FC (#Pearson's #correlation, #accordance, and #discordance) and two different #prediction #algorithms (#linear and #partial #least #square [#PLS] #regression) for attention #function. Accordance and discordance are recently proposed FC measures that respectively track #in-phase #synchronization and #out-of-phase #anti-correlation. We defined connectome-based models using task-based or #resting-state FC data, and tested the effects of (1) functional connectivity measure and (2) feature-selection/prediction algorithm on individualized attention predictions. Models were #internally #validated in a training dataset using leave-one-subject-out cross-validation, and externally validated with three independent datasets. The training dataset included fMRI data collected while participants performed a sustained attention task and rested. The validation datasets included: 1) data collected during performance of a #stop-signal task and at rest (N = 83, including 19 participants who were administered #methylphenidate prior to scanning;) data collected during #Attention #Network #Task performance and rest (N = 41), and 3) resting-state data and #ADHD symptom severity from the #ADHD-200 Consortium (N = 113). Models defined using all combinations of functional connectivity measure (Pearson's correlation, accordance, and discordance) and prediction algorithm (linear and PLS regression) predicted attentional abilities, with correlations between predicted and observed measures of attention as high as 0.9 for internal validation, and 0.6 for external validation (all p's < 0.05). Models trained on task data outperformed models trained on rest data. Pearson's correlation and accordance features generally showed a small numerical advantage over discordance features, while PLS regression models were usually better than linear regression models. Overall, in addition to correlation features combined with linear models, it is useful to consider accordance features and PLS regression for CPM.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.010
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Connectome-based #predictive #modeling of #attention: Comparing different #functional #connectivity features and #prediction methods across #datasets
در گزارشی که به تازگی منتشر شده است، پژوهشگران نوروساینس دانشگاه ییل 🇺🇸 روشی جدید برای #مدلسازی، #طبقه بندی و #پیش بینی #الگوهای توجه در افراد یافته اند.
🔬در این پژوهش 294 داوطلب تکالیف توجهی مختلفی را در وضعیت های مختلف و حین #fMRI انجام دادند.
📚بر اساس یافته های پژوهش حاضر، می توان در حوزه #توجه #پایدار در افراد، بر اساس #تفاوتهای #فردی 12 الگوی مختلف وجود دارد که بر اساس آن #کنشوری و #عملکرد کارکردهای اجرایی افراد با دقت بالایی قابل پیش بینی است.
Abstract
#Connectome-based predictive #modeling was recently developed to predict #individual #differences in #traits and #behaviors, including #fluid #intelligence and #sustained #attention, from #functional #brain #connectivity (#FC) measured with #fMRI. Here, using the #CPM framework, we compared the #predictive power of three different measures of FC (#Pearson's #correlation, #accordance, and #discordance) and two different #prediction #algorithms (#linear and #partial #least #square [#PLS] #regression) for attention #function. Accordance and discordance are recently proposed FC measures that respectively track #in-phase #synchronization and #out-of-phase #anti-correlation. We defined connectome-based models using task-based or #resting-state FC data, and tested the effects of (1) functional connectivity measure and (2) feature-selection/prediction algorithm on individualized attention predictions. Models were #internally #validated in a training dataset using leave-one-subject-out cross-validation, and externally validated with three independent datasets. The training dataset included fMRI data collected while participants performed a sustained attention task and rested. The validation datasets included: 1) data collected during performance of a #stop-signal task and at rest (N = 83, including 19 participants who were administered #methylphenidate prior to scanning;) data collected during #Attention #Network #Task performance and rest (N = 41), and 3) resting-state data and #ADHD symptom severity from the #ADHD-200 Consortium (N = 113). Models defined using all combinations of functional connectivity measure (Pearson's correlation, accordance, and discordance) and prediction algorithm (linear and PLS regression) predicted attentional abilities, with correlations between predicted and observed measures of attention as high as 0.9 for internal validation, and 0.6 for external validation (all p's < 0.05). Models trained on task data outperformed models trained on rest data. Pearson's correlation and accordance features generally showed a small numerical advantage over discordance features, while PLS regression models were usually better than linear regression models. Overall, in addition to correlation features combined with linear models, it is useful to consider accordance features and PLS regression for CPM.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.010
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
♻️تعامل #شخصیت و #محیط #کار در #مدیران و #کارمندان #ارشد
#Situation #contingent units of #personality at #work
پژوهشگران دانشگاه دورهم🇺🇸، دانشگاه سیدنی🇦🇺، و دانشگاه موناش🇦🇺 در پژوهشی که به تازگی گزارش آن منتشر شده است به بررسی تاثیرات متقابل شخصیت و محیط کاری در #کارکنانارشد و مدیران پرداختند.
🔬در این پژوهش #طولی، 131 مدیر با میانگین سنی 35.7 سال شرکت نموده و ویژگی های #روانی، #شخصیتی، و #عملکرد #شغلی ایشان سنجیده شد.
📚نتایج نشان دادند:
1️⃣ عملکرد فرد در محیط های شغلی حسب #الزامات شغلی و #مسئولیتها، متفاوت می شود و ثابت نیست.
2️⃣ #صفات شخصیتی افراد بویژه #روانرنجورگرایی و #وظیفه شناسی ارتباط و وابستگی زیادی با الزامات شغلی بطور کل و الزامات هر وظیفه شغلی بطور خاص، دارند.
3️⃣ صفات شخصیتی بر عملکرد فرد در هر وظیفه شغلی تاثیر دارند و در عین حال، هر وظیفه شغلی نوع خاصی از پررنگ شدن صفات شغلی را در فرد ایجاب می کند.
4️⃣مدل #5عاملی شخصیت (#FFM)، برای تحلیل وضعیت افراد در مشاغل، نیازهای شغلی، #نیمرخ های پرسنلی و نیز #شرح #مشاغل، ابزاری بسیار کارآمد با پیش بینی عالی است.
Highlights
🔑First, it demonstrates the #predictive #validity of #situation #contingent units of personality from the #CAPS model of Mischel and Shoda (1995), for a field based measure of performance.
🔑Second, it shows that the contingent #conscientious and #neurotic responses to the same #task #demands have different impacts on #performance.
🔑Third, #ESMs were collected in a #laboratory across a controlled set of tasks, reducing the risk that the ESMs are confounded by the exposure to different sets of tasks in field only studies. Only one other study to date (Fleeson & Law, 2015) has estimated situation contingent units in a similar manner.
🔑More generally, the #development, #measurement and #validation of situation contingent units of personality, provides a useful addition to the study of personality effects.
لینک منبع پیشنهادی برای مطالعه بیشتر 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.paid.2018.01.026
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Situation #contingent units of #personality at #work
پژوهشگران دانشگاه دورهم🇺🇸، دانشگاه سیدنی🇦🇺، و دانشگاه موناش🇦🇺 در پژوهشی که به تازگی گزارش آن منتشر شده است به بررسی تاثیرات متقابل شخصیت و محیط کاری در #کارکنانارشد و مدیران پرداختند.
🔬در این پژوهش #طولی، 131 مدیر با میانگین سنی 35.7 سال شرکت نموده و ویژگی های #روانی، #شخصیتی، و #عملکرد #شغلی ایشان سنجیده شد.
📚نتایج نشان دادند:
1️⃣ عملکرد فرد در محیط های شغلی حسب #الزامات شغلی و #مسئولیتها، متفاوت می شود و ثابت نیست.
2️⃣ #صفات شخصیتی افراد بویژه #روانرنجورگرایی و #وظیفه شناسی ارتباط و وابستگی زیادی با الزامات شغلی بطور کل و الزامات هر وظیفه شغلی بطور خاص، دارند.
3️⃣ صفات شخصیتی بر عملکرد فرد در هر وظیفه شغلی تاثیر دارند و در عین حال، هر وظیفه شغلی نوع خاصی از پررنگ شدن صفات شغلی را در فرد ایجاب می کند.
4️⃣مدل #5عاملی شخصیت (#FFM)، برای تحلیل وضعیت افراد در مشاغل، نیازهای شغلی، #نیمرخ های پرسنلی و نیز #شرح #مشاغل، ابزاری بسیار کارآمد با پیش بینی عالی است.
Highlights
🔑First, it demonstrates the #predictive #validity of #situation #contingent units of personality from the #CAPS model of Mischel and Shoda (1995), for a field based measure of performance.
🔑Second, it shows that the contingent #conscientious and #neurotic responses to the same #task #demands have different impacts on #performance.
🔑Third, #ESMs were collected in a #laboratory across a controlled set of tasks, reducing the risk that the ESMs are confounded by the exposure to different sets of tasks in field only studies. Only one other study to date (Fleeson & Law, 2015) has estimated situation contingent units in a similar manner.
🔑More generally, the #development, #measurement and #validation of situation contingent units of personality, provides a useful addition to the study of personality effects.
لینک منبع پیشنهادی برای مطالعه بیشتر 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.paid.2018.01.026
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
♻️مقایسه تاثیر #استحکام و #شخصیت #کارکنان بر مولفه‌های #رفتارسازمانی
#Grit in the #workplace: Hype or ripe?
پژوهشگران دانشگاه بخارست 🇷🇴 و دانشگاه منچستر 🇬🇧در پژوهشی که به تازگی گزارش آن منتشر شده است سازه‌ای نوظهور به نام «استحکام» را مورد بررسی قرار دادند که ترکیبی #فراعاملی از شخصیت است.
🔬در این پژوهش 200 داوطلب شرکت نموده و عامل‌های #5گانه #شخصیت (#FFM)، استحکام، #عملکردشغلی، #رفتارشهروندی #سازمانی (#OCB)، #رفتارهای #ضدتولیدی (#CWB)، رفتارهای #درون‌نقشی (#IRB) و #رضایت‌شغلی مورد سنجش واقع شدند.
📚نتایج نشان دادند:
1️⃣سازه استحکام توان پیش‌بینی رفتارهای درون‌نقشی (IRB) را دارد، اما #اعتبارافزایشی نسبت به مدل 5عاملی شخصیت (FFM) ندارد؛ به ابن معنا که FFM بهتر از استحکام می تواند IRB را پیش‌بینی کند.
2️⃣ استحکام در بهترین حالت هم اندازه FFM می‌تواند رفتارشهروندی سازمانی (OCB) را پیش‌بینی کند.
3️⃣ استحکام نمی‌تواند رفتارهای درون‌نقشی (IRB) کارکنان را بهتر از FFM پیش‌بینی نماید.
4️⃣ استحکام نمی‌تواند رضایت‌شغلی را بهتر از FFM پیش بینی نماید.
5️⃣درکل، مولفه‌های رضایت‌شغلی، #بهره‌وری شغلی و سازمانی، و رفتارسازمانی را توسط FFM به بهترین شکل می‌توان نشان داد.
📊🔆سازه استحکام، همچون سازه #هوش‌هیجانی (#EQ)، بر اساس تبلیغات اشتباه و جوسازی افراد ناآشنا به روانشناسی که فقط بدنبال تجارت در حوزه روانشناسی صنعتی/سازمانی و مدیریت هستند، فراگیر شده و در عمل از توانایی پیش بینی خاصی در سازمان‌ها برخوردار نیست.
Highlights
🔑We analyzed the #predictive and #incremental validity of #Grit over #personality.
🔑Outcomes: job performance, #OCB, #CWB,# job #satisfaction.
🔑We used sample of #Romanian working adults.
🔑Grit does not have incremental validity over FFM dimensions.
لینک منبع پیشنهادی برای مطالعه بیشتر 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.paid.2017.02.012
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
https://t.me/DrAmirMohammadShahsavarani
#Grit in the #workplace: Hype or ripe?
پژوهشگران دانشگاه بخارست 🇷🇴 و دانشگاه منچستر 🇬🇧در پژوهشی که به تازگی گزارش آن منتشر شده است سازه‌ای نوظهور به نام «استحکام» را مورد بررسی قرار دادند که ترکیبی #فراعاملی از شخصیت است.
🔬در این پژوهش 200 داوطلب شرکت نموده و عامل‌های #5گانه #شخصیت (#FFM)، استحکام، #عملکردشغلی، #رفتارشهروندی #سازمانی (#OCB)، #رفتارهای #ضدتولیدی (#CWB)، رفتارهای #درون‌نقشی (#IRB) و #رضایت‌شغلی مورد سنجش واقع شدند.
📚نتایج نشان دادند:
1️⃣سازه استحکام توان پیش‌بینی رفتارهای درون‌نقشی (IRB) را دارد، اما #اعتبارافزایشی نسبت به مدل 5عاملی شخصیت (FFM) ندارد؛ به ابن معنا که FFM بهتر از استحکام می تواند IRB را پیش‌بینی کند.
2️⃣ استحکام در بهترین حالت هم اندازه FFM می‌تواند رفتارشهروندی سازمانی (OCB) را پیش‌بینی کند.
3️⃣ استحکام نمی‌تواند رفتارهای درون‌نقشی (IRB) کارکنان را بهتر از FFM پیش‌بینی نماید.
4️⃣ استحکام نمی‌تواند رضایت‌شغلی را بهتر از FFM پیش بینی نماید.
5️⃣درکل، مولفه‌های رضایت‌شغلی، #بهره‌وری شغلی و سازمانی، و رفتارسازمانی را توسط FFM به بهترین شکل می‌توان نشان داد.
📊🔆سازه استحکام، همچون سازه #هوش‌هیجانی (#EQ)، بر اساس تبلیغات اشتباه و جوسازی افراد ناآشنا به روانشناسی که فقط بدنبال تجارت در حوزه روانشناسی صنعتی/سازمانی و مدیریت هستند، فراگیر شده و در عمل از توانایی پیش بینی خاصی در سازمان‌ها برخوردار نیست.
Highlights
🔑We analyzed the #predictive and #incremental validity of #Grit over #personality.
🔑Outcomes: job performance, #OCB, #CWB,# job #satisfaction.
🔑We used sample of #Romanian working adults.
🔑Grit does not have incremental validity over FFM dimensions.
لینک منبع پیشنهادی برای مطالعه بیشتر 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.paid.2017.02.012
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
https://t.me/DrAmirMohammadShahsavarani
Telegram
دکتر امیر محمد شهسوارانی
☎️هماهنگی وقت مشاوره/برگزاری کارگاه: +989057962633
🌐 https://www.ipbses.com/
http://bit.ly/IPBSES-Institue
باهم در اوج 🦅
🌐 https://www.ipbses.com/
http://bit.ly/IPBSES-Institue
باهم در اوج 🦅