MUPLAB
Bayesçi Living Meta-Analiz · v1.0

Auriküler taVNS'in öğrenme üzerindeki etkisi

taVNS'in doğruluk (accuracy) ve tepki süresi (RT) üzerindeki etkisi. İki sonuç ayrı havuzlanır; pozitif g taVNS lehinedir.

Veri & Kod: GitHubGüncelleme: 23 Haziran 2026

Birincil havuz

Doğruluk (Accuracy)

+0.15
95% CrI [0.06, 0.25]
P(g>0) = 99.9% · τ = 0.11 · PI [-0.13, 0.44] · k = 21

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 = 0.57 [0.28, 0.84] (kırılgan, k = 4)Genel: ACC g = 0.15 · RT g = 0.18ρ(ACC,RT) = 0.14 [−0.73, 0.86]

Bu bir yaşayan meta-analiz: yeni çalışmalar yayımlandıkça korpus güncellenir ve sonuçlar sürümlenir. Sekmelerden kayıtlı analizi inceleyebilir, gerçek R motoruyla kendi alt-kümeni çalıştırabilirsin.

1Kayıtlı analiz
2R motoru
3Tanılama
4Canlı sürüm
1 · Kayıtlı analiz: brms · bayesmeta ile sabitlenmiş sonuçlar ve figürler. 2 · R motoru: Çalışma seç, öncülleri ayarla — analiz tarayıcında gerçek R ile yeniden çalışır. 3 · Tanılama: Leave-one-out tanıları; alan alt-grupları ayrı sekmede. 4 · Canlı sürüm: Korpus güncellenince sürüm geçmişine işlenir.
Kayıtlı analiz (sabit referans) — kayıtlı korpus · brms · bayesmeta · metafor. Buradaki figürler kayıtlı R çıktısıdır ve değişmez; aşağıdaki etkileşimli motordaki dahil/çıkar seçimlerinden bağımsızdır.
v1.0 — kayıtlı. 24 çalışma, 36 primary etki büyüklüğü (22 ACC + 14 RT). Manşet değerler kayıtlı brms; aşağıdaki etkileşimli bölümde istediğin çalışmayı dahil/çıkar edip analizi seçtiğin alt-küme üzerinde gerçek R (bayesmeta) ile çalıştırabilirsin (tarayıcıda, kayıt edilmez).

Doğruluk (Accuracy) — kayıtlı brms

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

Tepki süresi (RT) — kayıtlı brms

+0.18
Havuz g
[0.02, 0.37]
%95 CrI
98.3%
P(g > 0)
[-0.37, 0.76]
Öngörü aralığı
0.24
τ
14
k
Forest (alt-grup) — kayıtlı
Kayıtlı alt-grup forest — Accuracy
Alt-grup forest — Accuracy
Kayıtlı alt-grup forest — RT
Alt-grup forest — RT
Contour-enhanced funnel — kayıtlı
Kayıtlı funnel — Accuracy
Contour-enhanced funnel — Accuracy
Kayıtlı funnel — RT
Contour-enhanced funnel — RT
Normal Q–Q — kayıtlı
Kayıtlı Q–Q — Accuracy
Normal Q–Q — Accuracy
Kayıtlı Q–Q — RT
Normal Q–Q — RT

Etkileşimli keşif — gerçek R motoru (bayesmeta · webR)

İstediğin yayını dahil/çıkar et — forest, funnel, Q–Q ve tüm istatistikler seçtiğin alt-küme için gerçek R (bayesmeta · webR) ile tarayıcında yeniden hesaplanır; ACC ve RT birlikte gösterilir; seçimini yaptıktan sonra Re-run düğmesine bas — her havuz ~15–25 sn'de yeniden hesaplanır. İlk açılış R çalışma ortamını indirir (~90 MB; sonraki ziyaretler önbellekten). Tam sayfada aç ↗

Alan alt-grupları (kayıtlı, bayesmeta)

SonuçAlankHavuz g%95 CrI
Doğruluk (Accuracy)Bildirimsel bellek5+0.09[-0.06, 0.22]
Doğruluk (Accuracy)Çalışma belleği6+0.27[0.13, 0.40]
Doğruluk (Accuracy)Bilişsel kontrol3+0.19[-0.07, 0.45]
Doğruluk (Accuracy)Çağrışımsal / beceri edinimi7+0.03[-0.12, 0.21]
Tepki süresi (RT)Çalışma belleği5-0.06[-0.22, 0.11]
Tepki süresi (RT)Bilişsel kontrol5+0.21[-0.01, 0.43]
Tepki süresi (RT)Çağrışımsal / beceri edinimi4+0.57[0.28, 0.84]
Kayıtlı ek tanılar — leave-one-out (sabit)

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

Leave-one-out (caterpillar) — ACC ve RT
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 — ACC ve 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

Künyeler

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
Hız–doğruluk ödünleşmesi — kayıtlı ortak analiz — hem doğruluk hem RT bildiren 11 eşleşmiş çalışma üzerinde ortak (bivariate) Bayesçi model. taVNS'in doğruluk kazancını bir hız bedeliyle mi sağladığını sınar. Buradaki figür ve değerler kayıtlıdır; üstteki dahil/çıkar seçimlerinden bağımsızdır.
Hız–doğruluk ödünleşmesi yok. taVNS doğruluğu artırırken (g = 0.29 [0.17, 0.41]) tepki süresinde bir bedel doğurmuyor (RT g = 0.14 [−0.04, 0.36]); iki sonuç zayıf ve belirsiz biçimde birlikte hareket ediyor (ρ = 0.14 [−0.73, 0.86]). Anlamlı bir ödünleşme olasılığı ≈ %0; en olası örüntü çift kazanç (%93).
+0.29
Doğruluk etkisi [0.17, 0.41]
+0.14
RT etkisi [−0.04, 0.36]
0.14
ρ (çalışma düzeyi) [−0.73, 0.86]
%93
P(çift kazanç)
~%0
P(anlamlı ödünleşme)
11
k (eşleşmiş)

Not: bu ortalamalar yalnız 11 eşleşmiş çalışmanın alt-kümesine ait ortak modelden gelir; bu yüzden tüm korpus havuzundan (doğruluk g = 0.15, RT g = 0.18) farklıdır. 11/24 çalışma eşleşti; kalanlar yalnız doğruluk ya da yalnız RT bildirdiği için eşleştirilemedi.

Çeyrek-saçılım — doğruluk × RT

Eşleşmiş 11 çalışma: yatay eksen doğruluk etkisi (g), dikey eksen RT etkisi (g); ikisinde de pozitif = taVNS lehine. Sağ-üst çeyrek = çift kazanç (daha doğru ve daha hızlı), sağ-alt = daha doğru ama daha yavaş. Dolu daire = çift kazanç, boş daire = doğru-ama-yavaş. 8 çalışma çift kazanç, 3 çalışma daha-doğru-ama-yavaş çeyreğinde.

Karar olasılıkları (ROPE eşiğine göre)

Her örüntünün posterior olasılığı, üç ROPE eşiğinde (0 / 0.1 / 0.2). "Anlamlı ödünleşme" çubukları pratikte boş: doğruluk için hız bedeli %7'den küçük, hız için doğruluk bedeli ≈ %0.

Duyarlılık

Eşleşmiş doğruluk–RT örnekleme korelasyonu r = −0.5 … +0.5 varsayıldığında çalışma düzeyi ρ 0.10–0.21 aralığında kalır ve %95 CrI her durumda sıfırı kapsar; anlamlı ödünleşme olasılığı her durumda ≈ %0. Sonuç sağlam.

Eşleşmiş alt-küme — alan bazında

AlankDoğruluk g [%95]RT g [%95]
Çalışma belleği5+0.27 [0.12, 0.42]−0.06 [−0.23, 0.13]
Bilişsel kontrol3+0.19 [−0.09, 0.45]+0.24 [−0.05, 0.54]
Çağrışımsal / beceri edinimi3+0.43 [0.10, 0.74]+0.52 [0.18, 0.86]

Çalışma belleğinde örüntü "daha doğru ama biraz daha yavaş"a kayıyor; çağrışımsal/beceri öğrenmede en güçlü çift kazanç görülüyor.