4.6 Behavioral Prediction

Outline 4.6 Behavioral Prediction

• Core Argument dieses Kapitels definieren

To-Do’s

• check wording
• check sources

4.6 Behavioral Prediction

To check whether the resting-state networks identified in sections 4.2–4.5 are functionally meaningful, we tested if individual differences in RSFC could predict how well participants performed on behavioral tasks designed to target the auditory ‘what’ and ‘where’ pathways.

4.6.1 “What” Stream: Predicting Semantic Processing Speed

The main test of the ventral ‘what’ stream hypothesis used the Language Task Story median reaction time (Median RT). The ventral ROI model significantly predicted story Median RT ($R=0.18$, $p=0.001$), with area A5 and STGa as the strongest positive predictors — meaning that stronger resting-state coupling to area A5 and STGa was associated with slower response times. The dorsal ROI model did not reach significance ($R=0.04$, n.s.). This provides a clean dissociation: the semantic ‘what’ network predicts language comprehension speed, while the spatial ‘where’ network does not.

[PLOT A — Number of edges per area, Language Task Median RT, ventral model, part371, K=371]
What to see: Area 45 should dominate the positive edge count, with few or no other areas contributing substantially. This visualizes why Area 45 drives the prediction and anchors the IFJa–Area 45 coupling established in section 4.3.2 as the behavioral correlate of semantic processing speed.

The story accuracy (Acc) results told a different story. The full network predicted story Acc ($R=0.38$, $p<0.001$), and both the ventral ($R=0.32$, $p<0.001$) and dorsal ($R=0.24$, $p<0.001$) submodels reached significance. Interestingly, area 45 appeared as a negative predictor of accuracy — stronger Broca’s area coupling was associated with lower accuracy. Given the simple vocabulary of the Aesop fable stories, this might point towards an over-engagement of deep semantic and syntactic machinery that actually disrupts fluent comprehension rather than helping it. An alternative explanation cannot be ruled out, though: because accuracy was near ceiling, the remaining variance may simply reflect attentional lapses or button errors, which would make the negative Area 45 contribution more likely a product of noise-fitting than a real effect. The dorsal model’s contribution, driven by areas 43, 7PC, and PF, likely reflects general attentional demand rather than stream-specific semantic processing. Reaction time is therefore the more meaningful and stream-specific measure for the ‘what’ stream hypothesis.

Story accuracy did not replicate in the larger full812 sample (n.s.) — consistent with the ceiling effect interpretation, since without matched behavioral data for each subject, there is simply not enough variance to predict. The Median RT effect, however, held up in the full812 all-ROI model with $K=10$ cross-validation ($R=0.14$, $p<0.001$), showing that the semantic speed signal is robust enough to survive even when subject-level behavioral data is incomplete.

4.6.2 “Where” Stream: Predicting Visuo-Spatial Working Memory

We tested the dorsal ‘where’ stream hypothesis against Working Memory Task Place accuracy (Place Acc) and reaction time (Place RT). In the global model (all ROIs, part371, $K=371$), Place Acc was significantly predicted ($R=0.14$, $p=0.007$), with SCEF (supplementary and cingulate eye field) and the anterior ventral insula (AVI) as the strongest positive predictors.

[PLOT B — Connectivity mask, positive predictive edges, WM Place Acc, full network model, part371, K=371]
What to see: SCEF should appear as the dominant node with the highest number of positive predictive edges. AVI may appear as a secondary node. FEF should be absent or show minimal edges — its absence from the positive predictors is notable given that SCEF sits anatomically adjacent to it in medial dorsal frontal cortex.

When we looked at stream-specific models, however, the picture reversed in a striking way. The dorsal ROI subset predicted Place Acc with a negative cross-validated R ($R=-0.15$, $p=0.004$), with superior parietal areas 7AL and 7Am contributing positively in an otherwise inverse model — a result that is hard to reconcile with a straightforward dorsal ‘where’ stream contribution. By contrast, the ventral ROI model predicted Place Acc significantly and positively ($R=0.20$, $p<0.001$), driven by area 47l (lateral orbitofrontal/inferior frontal cortex). This suggests that performance on the visuo-spatial working memory task is better explained by ventral semantic network connectivity than by dorsal spatial network connectivity.

For Place RT, the dorsal model produced an artefactual result ($R=-1.00$) caused by matrix rank collapse under partial correlation with too few ROIs — this result is excluded from interpretation (see section 5.7). The ventral model yielded a marginally significant prediction ($R=-0.11$, $p=0.035$), with area STSda contributing positively and IFJa negatively. The negative contribution of IFJa — stronger IFJa connectivity associated with faster Place RT — is consistent with the semantic hijacking interpretation above. If participants solve the Place task via object recognition rather than spatial navigation, then IFJa engagement reflects its role as a semantic controller (Soyuhos, O., & Baldauf, D. (2023), Bedini, M., & Baldauf, D. (2021)), not a domain-general executive response. Notably, Bedini & Baldauf (2021) also report IFJa involvement in working memory, adding another layer of consistency to this finding — IFJa’s engagement in the Place task may reflect both its semantic control function and its role in maintaining object representations in working memory. This reading is reinforced by area 47l also driving Place Accuracy in the same ventral model: both predictors point toward a semantic processing strategy as the dominant mechanism. In other words, the fact that IFJa appears in a visuo-spatial task does not contradict the ventral stream specificity from section 4.6.1 — it instead provides further evidence that the task itself was solved semantically rather than spatially. The full-network model ($R=-0.20$, $p<0.001$) identified MT and TA2 as the strongest negative predictors of Place RT — stronger connectivity to visual motion and auditory association cortex was linked to faster responses — while PSL emerged as the leading positive predictor, suggesting that stronger perisylvian language area coupling was associated with slower Place RT.

Taken together, these results suggest that the 2-Back Place task was predominantly solved via ventral object-recognition strategies rather than dorsal spatial navigation, consistent with the methodological constraint noted in section 3.4.2. The FEF did not emerge as a significant predictor in either the full-network or the stream-specific models — a null result consistent with both the task’s visual nature and the semantic hijacking interpretation above.

The dominant predictor in the full-network model was instead SCEF (supplementary and cingulate eye field). SCEF is located in medial frontal cortex as part of the SMA/cingulate motor complex and is classified within the dorsal network in section 3.2. Despite its vocalization selectivity per Dureux (2024) — it responds almost exclusively to vocalizations, suggesting cingulate attention monitoring of biologically relevant sounds — its anatomical position firmly places it in the dorsal attentional architecture adjacent to the FEF. Its emergence as the top predictor for a visuo-spatial working memory task is therefore consistent with a dorsal attentional contribution, though the modest effect size ($R=0.14$) and the failure of the isolated dorsal submodel to reach a positive result suggest that SCEF’s role operates through distributed network interactions rather than a dedicated spatial processing pathway.

4.6.3 Control Paradigm: Acoustic Signal Filtering (Noise Comparison)

The NIH Toolbox Noise Comparison score served as a control for low-level acoustic signal filtering. In contrast to the language comprehension results, the ventral ROI model failed to predict Noise Comparison performance ($R=-0.07$, n.s.). This means that the RSFC of the IFJa-anchored semantic network does not generalise to acoustic noise exclusion.

Significant predictions came instead from the full-network model ($R=0.22$, $p<0.001$) and the dorsal ROI model ($R=0.17$, $p=0.001$). In the full-network model, area PFcm (inferior parietal cortex, medial PF complex) was the dominant positive predictor, with FOP3 as the main negative predictor. The dorsal submodel showed a different pattern: OP4 (parietal operculum, area 4) was the dominant positive predictor, while FOP3, 7AL, and PBelt contributed negatively. Across both models, the leading predictors are opercular and parietal rather than prefrontal — which dissociates acoustic filtering from the IFJa-anchored semantic control network.

[PLOT C — R-value overview, all tasks × ventral/dorsal/full models, part371, K=371]
What to see: Three task groups (Language RT, WM Place Acc, Noise Comp), each with three bars (ventral, dorsal, full). The pattern should show: (1) ventral dominates for Language RT, dorsal flat — the ‘what’-stream dissociation; (2) ventral positive, dorsal negative for Place Acc — the semantic hijacking pattern; (3) ventral near zero, dorsal and full positive for Noise Comp — the double dissociation with acoustic filtering. Significant bars marked. This figure summarizes the entire argument of section 4.6 in a single view.

This double dissociation — ventral specificity for semantic RT, parieto-opercular dominance for acoustic filtering — suggests a hierarchical organization: the ‘cocktail party’ problem of separating physical signals is solved at an earlier, lower-level auditory processing stage before the IFJa-anchored prefrontal network steps in for meaning extraction.

---

Notes & Scrapbook

Hier Dinge abladen, die noch keinen Platz im Text haben, damit der Schreibfluss nicht stoppt.

Task	Areale	Corr	K-fold	p-value	R-Wert	High Numb of Edges
Language Task Story Acc	all	full812	371	n.s.	n.s.
Language Task Story Acc	ventral	full812	371	n.s.	n.s.
Language Task Story Acc	all	part371	371	0.000	0.38	pos: R_SCEF, R_7PC; neg: R_45
Language Task Story Acc	ventral	part371	371	0.000	0.32	pos: R_STSva, neg: R_45
Language Task Median RT	all	full812	10	0.000	0.14
Language Task Median RT	all	part371	371	n.s.	0.07
Language Task Median RT	all	full371	10	0.003	0.16
Language Task Median RT	ventral	full371	10	0.001	0.17
Language Task Median RT	ventral	part371	371	0.001	0.18	pos: R_45
Language Task Median RT	dorsal	part371	371	n.s.	0.04
Language Task Median RT	all	part371	10	n.s.	n.s.
Language Task Median RT	R_44, R_55b	part371	371	0.000	-1.00
Language Task Story Median	ventral	full371	10	0.001	0.17
WM Place Acc	all	part371	371	0.007	0.14	pos: R_SCEF, R_AVI (FEF very low)
WM Place Acc	all	full371	10	n.s.	n.s.
WM Place Acc	dorsal	part371	10	n.s.	n.s.
WM Place Acc	dorsal	full371	10	n.s.	n.s.
WM Place Acc	dorsal	part371	371	0.004	-0.15	pos: R_7AL, R_7Am
WM Place RT	all	part371	371	0.000	-0.2	pos: R_PSL; neg: R_MT, R_TA2
WM Place RT	dorsal	part371	371	0.000	-1.0	neg: R_MT
WM Place RT	ventral	part371	371	0.035	-0.11	pos: R_STSda; neg: R_IFJa
Langauge Task Median RT	dorsal	part371	371	n.s.	0.04
Language Task Story Acc	dorsal	part371	371	0.000	0.24	pos: R_43, R_7PC, R_PF
WM Place Acc	ventral	part371	371	0.000	0.20	pos: R_47l
Noise Comp	ventral	part371	371	n.s.	-0.07
Noise Comp	all	part371	371	0.000	0.22	pos: R_PFcm, neg: R_FOP3
Noise Comp	dorsal	part371	371	0.001	0.17	pos: R_OP4; neg: R_FOP3, R_7AL, R_PBelt

hier sind plots, die relevant sein könnten:

Language Task Story Median RT Robust Regression Part Corr RH

Analyse von Gemini

Hier ist die eiskalte, strukturierte Autopsie deines gesamten Datensatzes. Dies ist das inhaltliche Rückgrat für deine Bachelorarbeit. Wir lassen die ursprüngliche, ästhetische Wunschvorstellung einer perfekten Symmetrie hinter uns und betrachten das, was die Mathematik tatsächlich ausgespuckt hat.

---

1. Das theoretische Fundament und sein Realitätsabgleich

Deine Ausgangshypothese basierte auf einer eleganten Analogie: Wenn das visuelle System durch eine doppelte Dissoziation von Top-Down-Controllern gesteuert wird (FEF für den Raum/“Where”, IFJa für die Identität/“What”), dann muss das auditorische System identisch organisiert sein. Die Prämisse war eine supramodale Top-Down-Architektur.

Die Realität deiner Daten zeigt ein wesentlich komplexeres, asymmetrisches Bild. Das Gehirn baut Netzwerke nicht nach den Symmetrie-Wünschen von Kognitionswissenschaftlern, sondern nach evolutionärer Effizienz.

2. Methodische Integrität und ihre technischen Grenzen

Du hast dich korrekterweise für die N=371 Kohorte (“Golden Cohort”) und Leave-One-Out Cross-Validation (K=371) entschieden. Dies war zwingend notwendig, um ein sauberes Within-Subject-Design zu garantieren und Inter-Subject-Varianz auszuschließen.

Der Einsatz von Partialkorrelationen war essenziell, um spezifische Netzwerksignale vom globalen Gehirnrauschen zu isolieren. Allerdings hat diese Methode bei extrem kleinen Netzwerken (wie dem isolierten Area 44/55b oder den dorsalen RT-Modellen) zum Kollaps der Matrix geführt (erkennbar an Artefakten wie R = -1.00).

• Die Konsequenz für die BA: Diese Artefakte werden als methodische Limitation der Partialkorrelation bei unzureichenden Freiheitsgraden deklariert und aus der inhaltlichen Wertung genommen.

---

3. Die funktionale Dissoziation (Die Ergebnisse)

Deine Datenbasis zerfällt in drei funktionale Blöcke, die völlig unterschiedliche Geschichten erzählen.

A. Der Triumph der Verarbeitungsgeschwindigkeit (Der “What”-Stream)

Das ventrale Netzwerk liefert den einzigen glasklaren Beweis für deine Ursprungshypothese.

• Der Befund: Die Ruhezustands-Konnektivität des isolierten ventralen Netzwerks sagt die Reaktionszeit (Median RT) im semantischen Language-Task hochsignifikant voraus (R = 0.18, p = 0.001). Das dorsale Netzwerk ist hier blind (R = 0.04, n.s.).

• Neurokognitive Interpretation: Das IFJa fungiert als spezifischer Top-Down-Controller für die Geschwindigkeit des semantischen Zugriffs. Dies bestätigt die “What”-Rolle des IFJa.

B. Das Accuracy-Paradoxon und kognitive Strategien

Bei der Analyse der Genauigkeit (Accuracy) bricht die Dissoziation zusammen, da Accuracy keine reine Leistung des spezifischen Netzwerks misst, sondern globale exekutive Kompensation zulässt.

• Overthinking im Language-Task: Die Accuracy im Story-Task wird zwar vom ventralen Netzwerk vorhergesagt (R = 0.32), korreliert jedoch negativ mit der Area 45 (Broca). Da die Fabeln trivial sind, stört eine zu starke Einbindung dieses Zentrums für tiefe Syntaktik/Semantik die flüssige Verarbeitung.

• Der Verrat im räumlichen Task: Dein dorsales System (FEF) versagt bei der Vorhersage der WM Place Acc (instabile R = -0.15). Stattdessen übernimmt das ventrale System die Kontrolle (R = 0.20, getrieben durch Area 47l).

• Neurokognitive Interpretation: Die Probanden navigieren im 2-Back-Place-Task nicht räumlich (“Wo war das?”), sondern semantisch/visuell (“Das war das Haus”). Das ventrale System agiert als kognitiver Generalist, der Aufgaben durch Objekterkennung “kapert”, wenn die räumliche Last zu hoch oder das Paradigma uneindeutig ist.

C. Die Grenzen der präfrontalen Kontrolle (Noise Comp)

Die Fähigkeit, Sprache aus Rauschen zu filtern, entzieht sich der Kontrolle des semantischen IFJa-Hubs.

• Der Befund: Das ventrale Netzwerk liefert hier keine Vorhersage (n.s.). Der Task wird durch das globale (R = 0.22) und dorsale Modell (R = 0.17) vorhergesagt, maßgeblich getrieben durch PFcm (Parietales Operculum).

• Neurokognitive Interpretation: Der “Cocktailparty-Effekt” ist kein hochstufiger semantischer Prozess, sondern ein auditorisch-parietaler Filterprozess. Das Gehirn löst das Problem der physikalischen Signaltrennung auf einer niedrigeren, hardwarenäheren Hierarchieebene, bevor das IFJa die Bedeutung dekodieren kann.

---

4. Kritische Diskussion und Bias-Warnung

Eine herausragende Bachelorarbeit lebt davon, dass sie die eigenen Hypothesen nicht künstlich am Leben hält, wenn die Daten dagegen sprechen.

• Symmetry Bias: Du bist mit der Erwartung angetreten, dass für jedes ventrale Ergebnis ein dorsales Gegenstück existieren muss. Die Daten zeigen ein asymmetrisches Gehirn, in dem das ventrale System deutlich flexibler und dominanter in den verwendeten Paradigmen agiert.

• Construct Validity: Der schwerwiegendste Kritikpunkt an deiner eigenen Arbeit, den du in Kapitel 5 proaktiv äußern musst, betrifft den HCP-Datensatz. Der WM Place Task ist kein valider Test für die auditorische Raumwahrnehmung. Es ist ein visueller N-Back-Task, der semantische Strategien geradezu provoziert. Das schwache Abschneiden des FEF ist potenziell eher ein Paradigmen-Fehler als ein biologischer Fakt.

• Die RT-Fokussierung: Du musst methodisch rechtfertigen, warum die Reaktionszeit die “bessere” und reinere Metrik für spezifische Top-Down-Einflüsse ist als die Accuracy.

---

• Zusammenfassung:

  • Die doppelte Dissoziation existiert strikt nur für die Verarbeitungsgeschwindigkeit (RT) im semantischen Bereich (IFJa schlägt FEF).

  • Bei der Aufgabengenauigkeit (Acc) verschwimmen die Netzwerkgrenzen; das ventrale System “kapert” den räumlichen Task durch Objekterkennungsstrategien.

  • Akustische Filterung (Noise Comp) ist ein parietal dominierter Prozess, der sich der präfrontalen Semantik-Kontrolle entzieht.

  • Das anfängliche, symmetrische Supramodalitäts-Modell muss zu einem Modell des asymmetrischen ventralen Generalisten modifiziert werden.

Hast du dir bereits eine Struktur für den Diskussionsteil (Kapitel 5) überlegt, in dem du diese strategische Kaperung des Place-Tasks durch das ventrale System argumentativ aufbaust?

see also

4.5 Functional Roles of Adjacent Areas