MUPLAB
Bayesçi Living Meta-Analiz · v1.0

Auriküler taVNS'in öğrenme üzerindeki etkisi

Bildirimsel ve çalışma belleği, bilişsel kontrol ve çağrışımsal-beceri öğrenmede taVNS'in doğruluk (accuracy) ve tepki süresi (RT) üzerindeki etkisi. Bayesçi rastgele-etkiler (brms · bayesmeta); ACC ve RT ayrı havuzlanır, pozitif g = taVNS lehine.

Kayıt: PROSPEROVeri: OSFKod: brms · bayesmetaGüncelleme: 23 Haziran 2026
v1.0 — kayıtlı. 24 çalışma, 36 primary etki büyüklüğü (22 ACC + 14 RT). Manşet değerler kayıtlı brms; aşağıdaki etkileşimli panelde istediğin çalışmayı dahil/çıkar edip analizi seçtiğin alt-küme üzerinde çalıştırabilirsin (tarayıcıda, kayıt edilmez).
Model & öncüller
  • Rastgele-etkiler normal-normal; öncüller: etki μ ~ N(0, 0.5), τ ~ Half-Normal(0.3).
  • ACC ve RT ayrı analiz; RT ×(−1) ile yön standartlanır (pozitif = taVNS lehine).
  • Omurga cluster-robust RVE; Bayesçi sürüm sağlamlık + P(g>0) + öngörü aralığı verir.

Birincil havuz (kayıtlı, brms)

Doğruluk (Accuracy)

+0.15
95% CrI [0.06, 0.25]
P(g>0) = 99.9% · τ = 0.11 · PI [-0.13, 0.44] · k = 22

Tepki süresi (RT)

+0.18
95% CrI [0.02, 0.37]
P(g>0) = 98.3% · τ = 0.24 · PI [-0.37, 0.76] · k = 14
Ana bulgu. En güçlü etki çağrışımsal/beceri öğrenmede, RT'de: RT × Çağrışımsal-beceri g = 0.62 [0.36, 0.88] (kırılgan, k = 4). Genel ACC g = 0.15, RT g = 0.18. ρ(ACC,RT) = 0.14 [−0.73, 0.86].

Etkileşimli explorer

Sonuç türünü seç; Çalışmalar sekmesinden istediğin yayını dahil/çıkar et — forest, posterior ve tüm istatistikler seçtiğin alt-küme için anında yeniden hesaplanır.

Kayıtlı analiz (sabit referans) — PROSPERO kayıtlı korpus · brms · bayesmeta · metafor. Buradaki figürler kayıtlı R çıktısıdır ve değişmez; aşağıdaki sekmelerdeki dahil/çıkar seçimlerinden bağımsızdır. ACC/RT değiştirince kayıtlı karşılığı gösterilir.
—
Havuz g
—
%95 CrI
—
P(g > 0)
—
Öngörü aralığı
—
τ
—
k

Forest (alt-grup) — kayıtlı

Kayıtlı alt-grup forest

Contour-enhanced funnel — kayıtlı

Kayıtlı funnel

Normal Q–Q — kayıtlı

Kayıtlı Q–Q
Bu havuzda seçili: —
—
Havuz g
—
%95 CrI
—
P(g > 0)
—
Öngörü aralığı
—
τ
—
k

Forest plot + Bayesçi havuz

Her satır bir etki büyüklüğü (g, %95 GA). Elmas = posterior havuz (%95 CrI), kesikli = öngörü aralığı. Sağ = taVNS, sol = sham.

Havuz etkisinin (μ) posterior dağılımı

Gölgeli alan %95 CrI; kesikli çizgi g=0. P(g>0) = sıfırın sağındaki kütle.

Öncülleri kaydır → duyarlılık.

İşareti kaldırılan çalışma havuzdan çıkar; sonuçlar anında güncellenir. Extinction (S29c, S29d) varsayılan olarak dışarıda.

Filtre:
Seçili (toplam): —
IDÇalışmaAlanSonuçTasarımgSE

Yeni çalışma ekle

g ve SE gir, alan + sonuç seç, Ekle. Seçili havuza dahil edilir.

Seçili havuz — alan bazında (canlı)

AlankHavuz g%95 CrIP(g>0)

Alan alt-grupları (kayıtlı, bayesmeta)

SonuçAlankHavuz g%95 CrI
Doğruluk (Accuracy)Bildirimsel bellek5+0.09[0.01, 0.17]
Doğruluk (Accuracy)Çalışma belleği6+0.27[0.15, 0.38]
Doğruluk (Accuracy)Bilişsel kontrol3+0.20[-0.05, 0.45]
Doğruluk (Accuracy)Çağrışımsal / beceri edinimi8+0.11[-0.14, 0.37]
Tepki süresi (RT)Çalışma belleği5-0.06[-0.21, 0.10]
Tepki süresi (RT)Bilişsel kontrol5+0.22[0.03, 0.41]
Tepki süresi (RT)Çağrışımsal / beceri edinimi4+0.62[0.36, 0.88]

Bu sekme, kayıtlı üç figürümüzün (alt-grup forest · contour funnel · Q–Q) seçtiğin alt-küme için canlı üretilen sürümleridir. Çalışma ekle/çıkar veya “Yeniden çalıştır”a basınca güncellenir.

Alt-grup forest
Kayıtlı alt-grup forest’in canlı karşılığı: çalışmalar alana göre gruplanır (Declarative · Working · Cognitive Control · Associative & Skill), kare boyutu ağırlık (1/SE²), elmaslar alt-grup ve genel havuz; kesikli çizgi genel ortalama.
Funnel (huni)
Etki büyüklüğü (x) — standart hata (y). Dikey kesikli çizgi havuz ortalaması; açık huni alanları %95 ve %99 sözde-güven aralığı. Belirgin asimetri yayın yanlılığına işaret edebilir.
Q–Q (normallik)
Random-effects standartlaştırılmış artıkların normal kuantillere karşı grafiği. Noktalar kesikli çizgiye yakınsa normallik varsayımı makul.
Kayıtlı ek tanılar — leave-one-out & meta-regresyon (sabit)

Kayıtlı R/bayesmeta çıktıları; ACC ve RT ayrı gösterilir.

Leave-one-out (caterpillar) — Accuracy
Leave-one-out (caterpillar) — Accuracy
Leave-one-out (caterpillar) — RT
Leave-one-out (caterpillar) — RT
Alan-düzeyi leave-one-out — Accuracy
Alan-düzeyi leave-one-out — Accuracy
Alan-düzeyi leave-one-out — RT
Alan-düzeyi leave-one-out — RT
Meta-regresyon (bubble) — Accuracy
Meta-regresyon (bubble) — Accuracy
Meta-regresyon (bubble) — RT
Meta-regresyon (bubble) — RT

Dahil edilen çalışmaların künyeleri (makale düzeyi, 22 çalışma). Çok-deneyli makaleler (Sun 2021, Ventura-Bort 2025) iki deney/çalışma katkısı verir; analiz 24 çalışma-birimi sayar. Alan = 4-kategori; Sonuç = ACC/RT.

ÇalışmaYılÜlkeTasarımKörlemeNYaş (M)%KAlanSonuç
Jongkees 20182018Netherlands/Australia/GermanyDenek-arasıTek-kör402280Bilişsel kontrolRT,ACC
Giraudier 20202020GermanyDenek-arasıTek-kör60Bildirimsel bellekACC
Kühnel 20202020GermanyDenek-içiTek-kör392659Çağrışımsal / beceriACC
Mertens 20202020BelgiumDenek-içiTek-kör412251Bildirimsel bellekACC
Thakkar 20202020USADenek-arasıTek-kör372173Çağrışımsal / beceriRT,ACC
D'Agostini 20212021BelgiumDenek-arasıTek-kör712377Çağrışımsal / beceriACC
Kaan 20212021USADenek-arasıTek-kör622066Çalışma belleğiRT,ACC
Sun 20212021ChinaDenek-içiTek-kör46Çalışma belleğiRT,ACC
Phillips 20222022USADenek-arasıÇift-kör452264Çağrışımsal / beceriRT,ACC
Zhao 20222022ChinaDenek-içi—632152Çalışma belleğiRT,ACC
Konjusha 20232023GermanyDenek-içiTek-kör3725Çalışma belleğiACC
Sommer 20232023GermanyDenek-içiTek-kör322659Bilişsel kontrolRT
Tian 20232023ChinaDenek-içiTek-kör93Çalışma belleğiRT,ACC
Bömmer 20242024GermanyDenek-içiÇift-kör272548Bilişsel kontrolRT,ACC
Chen 20242024ChinaDenek-içiTek-kör222346Çağrışımsal / beceriRT
Honda 20242024CanadaDenek-arasıÇift-kör452373Çağrışımsal / beceriACC
Li 20252025ChinaDenek-içiTek-kör61Bilişsel kontrolRT
Sönmez 20252025GermanyDenek-içiTek-kör292551Bilişsel kontrolRT,ACC
Thakkar 20252025USADenek-içiTek-kör3520Çağrışımsal / beceriACC
Ventura-Bort 2025 S12025GermanyDenek-içiTek-kör302187Bildirimsel bellekACC
Çakır 20252025TürkiyeDenek-arasıTek-kör80Çağrışımsal / beceriRT,ACC
Mary 20262026BelgiumDenek-içiTek-kör892452Bildirimsel bellekACC

Sürüm geçmişi

v1.0Haziran 2026

Kayıtlı korpus: 24 çalışma, 36 primary ES. brms + bayesmeta.

Üretimde model R / brms · bayesmeta ile çalışıp Shiny olarak gömülür. Buradaki tarayıcı-içi motor kayıtlı modelle ~0.01 örtüşür.