Le but ultime de la vision n`est pas de fournir une représentation veridique de notre environnement visuel, mais de soutenir un comportement réussi. Une explication de la représentation de l`IT, alors, exige la considération des accordances comportementales. Il semble plausible que tout primate confronté à un objet inconnu puisse vouloir déterminer s`il est animé avec une priorité élevée. De même, les visages sont importants à reconnaître parce qu`ils confèrent une foule d`informations qui rend les anime un peu plus prévisibles. Dans la modélisation computationnelle, de telles accordances comportementales peuvent être apportées en optimisant les représentations pour des tâches de catégorisation particulières, en utilisant une formation supervisée. Cette optimisation des performances spécifique à la tâche semble essentielle pour expliquer l`informatique. Les modèles avec une précision de reconnaissance plus élevée expliquent non seulement les clusters catégoriques, mais aussi les géométries de représentation dans la catégorie observées dans les TI. La combinaison des fonctions des modèles non fortement supervisés a amélioré les corrélations RDM avec l`informatique. Les caractéristiques du modèle ont été combinées en résumant chaque représentation de modèle par ses premiers composants principaux de 95, puis en concaténant ces ensembles de composants principaux. Cette approche garantissait que chaque modèle contribuait également à la combinaison (le même nombre de caractéristiques et la même variance totale contribuaient).

Catégorie-clusters points forts de modèles non fortement supervisés par rapport à hIT. Pour chacune des catégories (animées, inanimées, visage, visage humain, visage non humain, corps, corps humain, corps non humain, inanimates naturelles et inanimates artificielles), la différence de concentration entre les modèles et hIT a été mesurée. Les barres montrent la différence dans la force de regroupement entre les modèles et hIT. Les forces de clustering de modèle qui étaient significativement inférieures/supérieures à la force de clustering hIT sont affichées par les barres bleues/rouges (légende). Les barres d`erreur indiquent un intervalle de confiance de 95% de la différence dans les estimations de la force de regroupement entre les modèles et hIT. Les valeurs P sont basées sur le amorçage du jeu de stimulus. Les modèles expliquent mieux la représentation des objets animés que les objets inanimés de l`informatique. Les corrélations du modèle RDM avec le mIT tendent à être plus élevées que les corrélations de modèle avec le hIT RDM. Par exemple, la corrélation de dissimilarité de la combi27 avec le mIT était 0,25, alors que pour hIT c`est 0,17. Cette différence est statistiquement significative (p = 0,001), ce qui suggère que les modèles ont été en mesure de mieux expliquer la RDM mIT par rapport à la RDM hIT. Cela pourrait être causé par un niveau de bruit plus faible dans le mIT RDM (estimé à partir des données d`enregistrement de cellules) que dans le hIT RDM (à partir des données de l`IRM).

* Courriel: Seyed.KalighRazavi@mrc-cbu.cam.ac.uk (SMKR); nikolaus.kriegeskorte@mrc-cbu.cam.ac.uk (NK) afin d`évaluer plus avant si ce n`était que la catégorie de regroupement qui prédit la précision de catégorisation ou quelque chose de plus profond sur la similitude de la représentation du modèle à l`informatique, nous avons considéré le corrélation de dissimilarité intra-catégorie entre chaque modèle et l`IT comme prédicteur de la précision de catégorisation. Les modèles qui étaient plus semblables à l`IT en termes de géométrie de représentation dans la catégorie (les différences entre les anime et les différences entre les inanimats) avaient aussi tendance à avoir une meilleure performance de catégorisation (Pearson r = 0,45 pour hIT, r = 0,67 pour le mIT ; p < 0.01, p < 0,0001, respectivement).