La imagen de una oración
Un grupo de participantes escucha oraciones con subordinación mientras permanece dentro de un escáner de resonancia magnética. El investigador compara esas respuestas con las obtenidas al escuchar oraciones más simples y en el análisis aparece una diferencia en la circunvolución frontal inferior izquierda. En la imagen coloreada que acompañará el artículo, de aspecto convincente, una zona relativamente pequeña parece concentrar la dificultad de la sintaxis.
Sin embargo, el resultado observado es una diferencia de señal entre dos condiciones experimentales. Para convertirlo en una afirmación sobre sintaxis hay que mostrar que las condiciones difieren de la manera prevista, que las variables concurrentes están controladas y que el análisis estadístico no ha seleccionado el resultado por azar. Todavía queda una distancia mayor hasta afirmar que ese tejido es necesario para comprender subordinadas. La resonancia funcional registra una consecuencia fisiológica asociada a la tarea. Una afirmación de necesidad requiere evidencia de perturbación, lesión o convergencia con otros diseños.
Durante las últimas tres décadas, la neuroimagen ha cambiado la investigación del lenguaje. Se pueden observar patrones distribuidos durante comprensión natural, distinguir redes cercanas anatómicamente y comparar individuos, pacientes y modelos computacionales. Al mismo tiempo, la abundancia de imágenes ha favorecido una manera de razonar que parece más precisa de lo que es, en la que una región se activa, recibe el nombre de un proceso y termina descrita como el lugar donde ese proceso ocurre. La crítica a esta práctica, llamada a veces blobology, apunta a la inferencia que acompaña al mapa y deja a salvo la tecnología que lo produjo.
La pregunta que recorre esta lectura es qué permite afirmar cada tipo de evidencia. Una relación estadística puede sostener una explicación y generar predicciones, pero no basta para establecer que la relación observada sea causal. Esta diferencia guiará en las páginas siguientes la lectura de los estudios sobre redes lingüísticas, la interpretación de las pruebas de lateralización y el juicio sobre qué parte de un mapa es útil en cirugía o clínica.
Qué registra realmente cada técnica
La resonancia magnética funcional suele utilizar la señal BOLD (blood oxygenation level dependent), de origen hemodinámico. Los cambios en la actividad neuronal se acompañan de variaciones locales de flujo sanguíneo, volumen y oxigenación, que las propiedades magnéticas de la hemoglobina permiten detectar. La respuesta es indirecta y relativamente lenta. Alcanza su máximo varios segundos después de una entrada breve y el momento exacto depende de la región, la fisiología vascular y el modelo empleado.
Una diferencia de BOLD informa sobre los territorios que participaron en una tarea. Su amplitud no se traduce a una cantidad simple de neuronas activas ni a una medida directa de «esfuerzo mental». En una lesión vascular, una malformación, un tumor o un territorio con acoplamiento neurovascular alterado, la relación entre actividad neural y señal puede ser distinta de la observada en tejido sano. La ausencia de BOLD en una región no equivale, por tanto, a ausencia de función.
La electroencefalografía (EEG) registra voltajes de superficie y la magnetoencefalografía (MEG), los campos magnéticos que generan corrientes neuronales. Las dos conservan información temporal a escala de milisegundos, una ventaja decisiva cuando interesa separar reconocimiento lexical, integración y revisión de una oración. Sus señales son mezclas de fuentes que deben estimarse. Localizar una respuesta en el espacio exige resolver un problema inverso con múltiples soluciones posibles. El estudio de N400 y P600 de las lecturas anteriores mostró por qué una latencia muy precisa puede coexistir con incertidumbre acerca de la fuente o del proceso exacto.
La tomografía por emisión de positrones permite estudiar metabolismo o flujo y, según el trazador, propiedades moleculares. Las técnicas de difusión estiman cómo se desplaza el agua en la sustancia blanca y la tractografía utiliza esos datos para reconstruir trayectorias probables. Una línea dibujada en una imagen de tractografía no es una fotografía de un axón ni demuestra por sí sola que dos poblaciones neuronales mantengan una conexión funcional. Puede haber falsos recorridos y conexiones que el algoritmo no consiga reconstruir, sobre todo donde las fibras se cruzan o divergen.
Cada modalidad sacrifica algo. Una técnica que sigue bien la cronología puede localizar peor las fuentes. Otra delimita con mayor precisión espacial una variación fisiológica que integra eventos rápidos. Las conclusiones más fuertes suelen obtenerse al combinar métodos con limitaciones distintas.
El contraste y la afirmación experimental
El cerebro permanece activo durante el reposo y, para estudiar una operación lingüística, se compara una condición con otra. Escuchar oraciones frente a descansar produce diferencias que reúnen audición, reconocimiento lexical, prosodia, sintaxis, semántica y atención. Sustituir el reposo por una secuencia de palabras permite controlar algunos componentes, pero introduce otros problemas. Las secuencias pueden ser menos naturales, más sorprendentes y difíciles de retener.
Los diseños de sustracción descansan sobre una suposición de inserción pura, según la cual agregar un proceso a la tarea no debería cambiar los demás. Henson (2005) examinó las dificultades de este supuesto. Una subordinada puede exigir mayor memoria de trabajo que una oración simple y también puede aumentar el tiempo de atención, la probabilidad de error y la necesidad de releer. Si el contraste aumenta simultáneamente todas esas demandas, la activación observada no separará automáticamente la sintaxis de la dificultad general.
Considérese un experimento sobre metáforas en el que se presentan la discusión tomó otro rumbo y una frase literal de longitud semejante. Las metáforas seleccionadas son, además, menos frecuentes y más difíciles de imaginar. Una mayor respuesta frontal podría relacionarse con interpretación figurada, búsqueda lexical, incertidumbre o control. El efecto existe aunque su interpretación permanezca abierta. Habría que equilibrar frecuencia y familiaridad, incluir condiciones que manipulen dificultad de manera independiente y comprobar qué propiedades predicen el resultado.
Esta forma de pensar obliga a precisar el verbo de una conclusión. «La condición metafórica mostró mayor señal» informa de un resultado. Afirmar que «la región participa en la interpretación metafórica» añade una inferencia funcional que requiere controles. Decir que «la región genera metáforas» implica un mecanismo causal que el mismo contraste difícilmente puede identificar.
Una ventaja de los buenos diseños es que obligan a las teorías a enfrentarse. Si dos explicaciones predicen señales diferentes ante una manipulación concreta, el mapa puede ayudar a decidir entre ellas. Si ambas explican retrospectivamente cualquier activación, agregar una imagen aporta poco.
La elección de la condición de referencia agrega una dificultad que suele perderse al mostrar una única imagen. Una región que aparece «activada» frente al reposo podría dejar de aparecer si se compara con una tarea activa. Una señal menor en la condición experimental también puede describirse como una desactivación relativa. Sin conocer la referencia es imposible afirmar que la región dejó de trabajar. En ciertas redes, la reducción de señal durante una tarea puede ser tan sistemática como el aumento en otra. La interpretación debe volver a las condiciones exactas, que la convención gráfica de colores cálidos y fríos no basta para reconstruir.
Los diseños factoriales van más allá de la sustracción simple. Si se manipulan por separado estructura sintáctica y memoria, puede examinarse si sus efectos se suman o interactúan. Una interacción indicaría que el efecto de complejidad sintáctica cambia según demanda de memoria. Incluso entonces habría que mostrar que las manipulaciones cumplen su propósito. Las verificaciones conductuales son parte del experimento e informan qué operación realizó probablemente el participante mientras estaba en el escáner.
Inferencia directa, inferencia inversa y selectividad
La inferencia directa pregunta qué probabilidad tiene una activación en determinada región cuando se realiza una tarea. En términos esquemáticos, estudia la probabilidad de una respuesta cerebral dada una condición cognitiva. Es una pregunta legítima y con frecuencia útil para identificar regiones cuya actividad cambia de forma reproducible bajo la manipulación.
La inferencia inversa intenta deducir qué proceso mental ocurrió a partir de la activación encontrada, lo que equivale a preguntar por la probabilidad de la condición cognitiva dada la respuesta cerebral. Poldrack (2006, 2011) mostró que esta inferencia depende de la selectividad de la región y de la frecuencia previa de la operación. Una zona que responde en numerosos paradigmas da poca evidencia exclusiva a favor de uno de ellos.
Un ejemplo numérico con valores puramente hipotéticos ayuda a ver la asimetría. Supóngase que una región se activa en el 80 % de los ensayos que requieren un proceso específico, pero también en el 40 % de los ensayos que no lo requieren. Si el proceso aparece en el 20 % de las situaciones consideradas, la probabilidad de que haya ocurrido una vez observada la activación se obtiene al dividir el producto de 0,80 por 0,20 entre la suma de ese mismo producto y el de 0,40 por 0,80. El resultado es un tercio. La activación es sensible al proceso y, aun así, la probabilidad posterior solo alcanza aproximadamente el 33 %. Cambiar las tasas de base cambiaría el resultado. Esa dependencia explica por qué una lista de procesos vinculados con un área cerebral no equivale a un diccionario con definiciones exclusivas.
El área de Broca es un caso histórico que se ha relacionado con producción, ciertas operaciones sintácticas, recuperación lexical y control, entre otras funciones. La etiqueta anatómica abarca además subregiones que pueden responder de manera diferente. Una actividad frontal inferior izquierda durante oraciones complejas no autoriza a atribuirle de forma automática un parser especializado. Para defender especialización sintáctica hacen falta comparaciones con otras demandas y precisión en la región estudiada.
Los localizadores funcionales individuales ayudan a resolver parte del problema. Fedorenko y colaboradores (2010) propusieron definir regiones del lenguaje en cada participante con un contraste independiente antes de estudiar la hipótesis principal. Esto evita depender solo de coordenadas promedio, donde áreas vecinas pueden quedar mezcladas. La red definida como selectiva para lenguaje suele distinguirse de redes de demanda múltiple que responden a tareas difíciles de numerosos dominios. La selectividad siempre es relativa al conjunto de controles utilizados. Demostrarla frente a una tarea matemática no garantiza exclusividad ante todas las tareas posibles.
La separación entre localizador y experimento principal tiene otra consecuencia. Permite estimar en los mismos participantes si una red mantiene respuestas semejantes al pasar de frases escritas a escuchadas, o al comparar comprensión con producción. La convergencia entre modalidades reduce la probabilidad de estar estudiando únicamente visión, audición o articulación. Sin embargo, una respuesta común no garantiza que la red realice la misma operación en todos los casos. Una región podría contener subpoblaciones que alternan según el contexto. La fMRI convencional reúne muchas unidades dentro de cada voxel y no permite distinguir esa posibilidad directamente.
Anatomía y tiempo de las redes lingüísticas
El lenguaje involucra territorios frontales, temporales y, según la tarea, regiones parietales, subcorticales y cerebelosas. Saur y colaboradores (2008) aportaron evidencia importante sobre vías dorsales y ventrales. Turker y colaboradores (2023), al reunir 403 experimentos, mostraron una participación distribuida que varía entre semántica, fonología, sintaxis y prosodia. Estos resultados permiten escapar del diagrama de dos centros unidos por un haz, sin sustituirlo por un mapa de manchas al que se atribuyen las mismas funciones para todas las personas.
Un promedio grupal puede ocultar diferencias individuales relevantes. Los surcos no se alinean perfectamente y las regiones definidas por sus respuestas funcionales cambian de posición relativa. Un lugar que contiene corteza sensible al lenguaje en un participante puede incluir un área de control general en otro. La alineación anatómica mejora la comparación estadística y puede borrar, al mismo tiempo, fronteras funcionales finas.
La variación espacial tampoco describe el orden en que se procesa una oración. Murphy y Woolnough (2024), en una correspondencia crítica a una revisión de Fedorenko, Ivanova y Regev (2024), señalaron que definir una red a partir de selectividad en fMRI puede ocultar operaciones rápidas cuya distribución cambia dentro de cientos de milisegundos. La discusión es sustantiva. Una red que parece relativamente estable al promediar segundos puede contener secuencias de operaciones distintas y la teoría debe ser compatible tanto con el mapa espacial como con la historia temporal.
La EEG y la MEG ayudan a establecer esa secuencia. Los registros intracraneales aportan señales locales con resolución temporal elevada, aunque los electrodos se colocan según una necesidad clínica y no cubren todos los territorios de manera uniforme. Por su parte, la fMRI puede delimitar redes individuales con especial precisión funcional. Combinar hallazgos permite distinguir territorios implicados de operaciones que aparecen en momentos diferentes.
El término red tiene, por otra parte, varios significados. Una red anatómica se define por conexiones estructurales, una funcional por covariación de señales y una causal por influencias que afectan las operaciones de otro nodo. Son propiedades relacionadas que no deberían intercambiarse sin evidencia.
Conectividad, correlación e influencia modelada
Dos regiones pueden presentar series temporales correlacionadas durante una tarea o en reposo. Esa covariación recibe el nombre de conectividad funcional y puede reflejar comunicación directa, una entrada común o una combinación de ambas. Un tercer nodo que modula simultáneamente dos áreas genera correlación sin que estas tengan que influirse mutuamente.
La conectividad efectiva intenta describir influencias dirigidas. Dynamic Causal Modeling, por ejemplo, compara modelos generativos que especifican relaciones entre nodos y cómo la tarea altera esas relaciones. El procedimiento puede descartar hipótesis dentro de un espacio de modelos definido de antemano. Su conclusión depende de los nodos incluidos, de la dinámica asumida y de la estructura que el investigador permitió comparar. Ganar una competición entre cinco modelos no equivale a demostrar que el cerebro contiene exactamente el modelo ganador.
La difusión añade información acerca de vías estructurales plausibles, aunque las conexiones reconstruidas tienen incertidumbre. Cortar un haz puede interrumpir la coordinación entre regiones relativamente preservadas. Por ello las investigaciones de afasia incluyen cada vez más análisis de desconexión, además de mapas de daño cortical. El síndrome puede surgir de una red que perdió una conexión indispensable para la tarea, aun cuando sus nodos principales sigan presentes.
La conectividad adquiere fuerza explicativa cuando vincula anatomía, actividad y conducta. Si una vía dañada predice un perfil afásico, la correlación merece atención. Si además una intervención sobre un nodo conectado cambia selectivamente la operación prevista, la interpretación causal gana apoyo. Lo decisivo es la convergencia, cualquiera que sea la terminología con que se describa el mapa.
Debe considerarse asimismo la dirección del tiempo. En reposo, dos señales que fluctúan juntas pueden mostrar una conectividad funcional elevada. Durante una narración, esas mismas regiones podrían variar de acoplamiento según cambia la demanda de integrar información. Un promedio obtenido a lo largo de varios minutos puede ocultar episodios breves de coordinación intensa. Los análisis dinámicos intentan estudiar esa variación, pero introducen nuevas decisiones sobre ventanas temporales y estabilidad de las estimaciones.
La interpretación tampoco es independiente del ruido fisiológico. La respiración, el movimiento y variaciones globales de señal pueden producir correlaciones entre regiones. Diferentes métodos de eliminación de artefactos cambian el patrón de conectividad. Los estudios rigurosos informan esas decisiones y comprueban que las conclusiones sobreviven a alternativas analíticas razonables.
Las perturbaciones y la necesidad funcional
Una lesión focal muestra qué ocurre cuando una parte de un sistema deja de funcionar normalmente, algo que una comparación de BOLD no muestra. El razonamiento es poderoso y necesita cautela. Los accidentes cerebrovasculares siguen territorios vasculares, afectan corteza y sustancia blanca y pueden provocar disfunción a distancia o diasquisis. La topografía del daño no es una asignación aleatoria de pequeñas lesiones independientes.
Los análisis lesión-síntoma relacionan localización y desempeño en grupos. Métodos multivariados permiten estimar contribuciones de patrones completos de daño, con el riesgo de confundir regiones que suelen lesionarse juntas. El tamaño, localización y distribución vascular de las lesiones requieren controles cuidadosos. Una lesión que afecta una región asociada con cierto déficit puede estar dañando también la conexión que hace posible la operación.
La estimulación cortical directa durante cirugía permite probar consecuencias de una perturbación local mientras el paciente denomina, comprende o repite. Si la estimulación interrumpe de forma reproducible una tarea, existe evidencia causal relevante para esa persona y para esa operación concreta. El resultado depende del sitio, la intensidad, la red estimulada y la tarea utilizada. Una región negativa ante denominación puede ser necesaria para otra función no examinada.
La estimulación magnética transcraneal (TMS) aporta otro modo de intervención. Cambiar la actividad en un área y en un momento específicos permite explorar su contribución funcional (Sack, 2006). Son indispensables sitios de control, comparación temporal y consideración de efectos sensoriales de la estimulación. Las perturbaciones no permanecen encerradas en un voxel y se propagan por redes.
Los registros intracraneales muestran el tiempo de activación de territorios concretos y son especialmente informativos cuando se asocian con estimulación directa. Ninguna técnica elimina todas las incertidumbres. Las perturbaciones fortalecen la atribución causal, mientras el modelo mecanístico debe explicar cómo la intervención produjo el cambio de conducta.
También interesa distinguir necesidad de suficiencia. Si interrumpir un territorio empeora la denominación, ese territorio o la red a la que pertenece contribuye al desempeño normal en las condiciones examinadas. La intervención no demuestra que estimular el territorio en reposo baste para producir una palabra comprensible. Una función distribuida puede requerir la actividad coordinada de varias áreas, ninguna de las cuales será suficiente tomada aisladamente. La interpretación causal más fuerte suele ser local y condicional, del tipo «esta perturbación, aplicada en este momento, modificó esta conducta». La generalización a otros hablantes y tareas exige otros datos.
Circularidad, potencia y estabilidad de los mapas
En neuroimagen hay muchos grados de libertad analítica. Antes de observar el contraste final se decide cómo corregir movimiento, normalizar imágenes, suavizar la señal, modelar la respuesta hemodinámica, seleccionar regiones y establecer umbrales estadísticos. Carp (2012) mostró la variedad de rutas metodológicas disponibles incluso para preguntas aparentemente semejantes. Parte de la variación entre estudios proviene de estas elecciones.
Un error especialmente conocido es el double dipping. Si se seleccionan voxeles porque muestran la mayor diferencia entre dos condiciones y después se calcula esa misma diferencia sobre los mismos datos como si fuera una prueba independiente, el tamaño del efecto queda sesgado. Kriegeskorte y colaboradores (2009) describieron este problema. Se evita separando datos de selección y contraste o utilizando validación cruzada y localizadores independientes.
También debe corregirse la multiplicidad. Un análisis voxel por voxel realiza miles de pruebas simultáneas. Sin un control apropiado, una fracción de ellas alcanzará por azar un umbral convencional. Eklund, Nichols y Knutsson (2016) demostraron que algunos procedimientos paramétricos de inferencia por conglomerados podían exceder las tasas nominales de falsos positivos. El problema dependía de supuestos estadísticos específicos y el hallazgo mejoró las prácticas y no volvió inútil el método fMRI.
La potencia estadística influye mucho en la credibilidad de los resultados. Las muestras pequeñas pueden perder efectos genuinos y exagerar aquellos que superan el umbral de significación. Button y colaboradores (2013) destacaron este fenómeno en neurociencia. Marek y colaboradores (2022) mostraron que algunas asociaciones entre diferencias individuales de comportamiento y mapas cerebrales necesitan miles de participantes para reproducirse de manera estable. Esas cifras corresponden a un tipo de estudio y un diseño intensivo dentro de una persona puede responder otra pregunta con menos sujetos.
La reproducibilidad exige describir el pipeline, justificar exclusiones y examinar la estabilidad del efecto ante decisiones razonables. Publicar datos y código facilita esa revisión. Un resultado puede ser estadísticamente significativo y aun así tener una precisión insuficiente para una predicción individual.
Los resultados nulos merecen un cuidado equivalente. Que un contraste no alcance significación no demuestra que dos condiciones activen exactamente la misma red. Quizás el experimento tuvo poca sensibilidad, las regiones estaban mal alineadas o la tarea indujo estrategias heterogéneas. Para defender ausencia de un efecto de tamaño relevante hacen falta intervalos de confianza suficientemente estrechos, pruebas de equivalencia u otros procedimientos apropiados. Una imagen sin manchas coloreadas puede contener información útil, pero necesita un análisis distinto de la simple frase «no hubo activación».
Los mapas individuales también requieren estimaciones de fiabilidad. Interesa saber si, al repetir la misma tarea otro día, la región funcional aparece en un territorio parecido y si el patrón mantiene su asociación con la conducta. Esta reproducibilidad dentro de una persona importa tanto para los modelos cognitivos como para la planificación clínica.
Meta-análisis, decodificación y modelos del lenguaje
La acumulación de estudios permitió construir mapas derivados de cientos o miles de experimentos. Neurosynth, desarrollado por Yarkoni y colaboradores (2011), relaciona términos publicados y coordenadas cerebrales a gran escala. Sus mapas muestran regularidades de la literatura y ayudan a evaluar la selectividad relativa de una región. Dependen también de lo que se publicó, del vocabulario empleado por los autores y de la heterogeneidad de los paradigmas. Una base masiva no corrige automáticamente sesgos compartidos por los estudios que reúne.
La decodificación multivariada cambia la pregunta. Deja de buscar un aumento promedio en una región y entrena un clasificador para distinguir condiciones a partir de patrones distribuidos de actividad. Si identifica por encima del azar qué categoría de palabras escuchó una persona, la señal contiene información útil sobre esa diferencia. El hallazgo no demuestra que el cerebro utilice exactamente las mismas variables que el clasificador, ni que la lectura de estados mentales sea posible sin conocer la tarea y el conjunto de alternativas.
Los modelos de codificación intentan predecir respuestas cerebrales a partir de propiedades del estímulo. En una narración, pueden compararse predictores acústicos, lexicales, sintácticos y semánticos. Los grandes modelos de lenguaje añaden representaciones numéricas complejas que explican parte de la respuesta neural. Una buena predicción muestra correspondencia entre regularidades. Dos modelos con mecanismos muy distintos pueden predecir la misma actividad porque representan información correlacionada.
La comparación cerebro-modelo necesita pruebas fuera de muestra, controles de complejidad, ablaciones y estímulos que separen las teorías. Un modelo artificial puede ajustarse a los datos sin implementar el algoritmo humano. Interesa en especial descubrir en qué condiciones fracasa la correspondencia. Las divergencias limitan teorías que parecían equivalentes al estudiar materiales ordinarios.
Una imagen destinada a proteger lenguaje
En cirugía de tumores o epilepsia, una imagen funcional puede contribuir a localizar territorios elocuentes y estimar lateralización. La cuestión clínica tiene consecuencias distintas de las de un estudio de investigación. Interesa reducir déficits después de intervenir sobre tejido concreto y la predicción debe funcionar para esa persona.
Un metaanálisis de Holloway y colaboradores (2022), basado en nueve estudios que comparaban fMRI y mapeo por estimulación eléctrica a nivel de electrodos, encontró sensibilidad agrupada de aproximadamente 0,71 y especificidad de 0,74, con heterogeneidad importante. Los datos apoyan utilidad complementaria y desaconsejan tratar la fMRI como único criterio de localización quirúrgica. Las estimaciones dependen de las tareas y poblaciones estudiadas y no deben extrapolarse sin más a cualquier tumor o a todo procedimiento neurológico.
En la práctica, el equipo quirúrgico necesita saber qué sucederá si altera un tejido específico. Un mapa de generación verbal puede omitir territorios implicados en comprensión, lectura o denominación de objetos. Incluso una estimulación negativa da una seguridad limitada si se probó una única tarea y el tejido cumple otra función relevante. De ahí el valor de baterías breves adaptadas a la lesión, combinadas con información anatómica y neuropsicológica. La precisión funcional depende de que la tarea se parezca a la capacidad que se pretende proteger.
Esta situación ilustra bien por qué sensibilidad y especificidad no sustituyen la decisión clínica. Un falso negativo puede dejar sin advertencia sobre una región elocuente. Un falso positivo puede inducir a preservar tejido que podría tratarse con seguridad. El costo relativo de ambos errores cambia según la cirugía y la función considerada. La utilidad de una prueba no se reduce a su exactitud promedio.
Cuenta también la reorganización que sigue a un daño, cuando otras regiones pueden aumentar su respuesta funcional. Llamar compensatoria a esa activación da por hecho que contribuye a recuperar el desempeño. La señal aumentada puede reflejar esfuerzo, desinhibición o actividad que no mejora la función. Para distinguir esas posibilidades se necesitan trayectorias longitudinales y, cuando sea viable, perturbaciones o asociaciones específicas con la recuperación.
El problema se reproduce en psiquiatría. Una diferencia promedio entre grupos con depresión y controles puede revelar una asociación poblacional e informar hipótesis sobre mecanismos. Por sí sola no es un marcador diagnóstico de una persona. El solapamiento entre distribuciones, las comorbilidades, la medicación, el movimiento y el estado clínico dificultan mucho la aplicación individual. Un modelo de predicción necesita demostrar validez externa y una mejora real frente a la evaluación disponible.
Leer resultados con una inferencia proporcionada
En el estudio inicial sobre subordinación, una interpretación bien fundada comienza por el material y pregunta qué diferencia lingüística se manipuló y qué otras exigencias cambiaron con ella. Después examina el indicador fisiológico y su resolución para seguir con el análisis estadístico, la independencia entre selección y prueba, la variabilidad entre participantes y la consistencia con estudios previos. Si la hipótesis pretende establecer necesidad funcional, habrá que buscar datos de lesión o estimulación.
Este orden cambia el modo de escribir resultados. Una activación puede sostener que cierta región participa en una tarea. Un clasificador puede mostrar que esa región contiene información discriminante y una lesión o perturbación, que el funcionamiento de una zona o vía contribuye causalmente a una operación. Para describir el mecanismo mediante el cual esa contribución ocurre hace falta todavía una teoría que conecte las observaciones.
Las técnicas de neuroimagen han sido más fértiles cuando se las utiliza para poner restricciones a teorías cognitivas explícitas. El mapa coloreado es una representación final de muchas decisiones experimentales. Su valor depende de que el lector pueda reconstruirlas. Una imagen visualmente impresionante cuya selección y umbral permanecen opacos aporta menos que un artículo que permite repetir sus contrastes y comprobar sus estimaciones de incertidumbre. También importa qué hipótesis descartaron los datos. Ese resultado puede ser menos vistoso y mucho más instructivo para una teoría del lenguaje. Esta exigencia será especialmente útil en la lectura Lenguaje y atención, donde el estudio de la atención durante el lenguaje requiere distinguir qué información se priorizó, qué señal cambió como consecuencia y qué parte de la comprensión resultó efectivamente afectada.
Referencias
Button, K. S., Ioannidis, J. P. A., Mokrysz, C., Nosek, B. A., Flint, J., Robinson, E. S. J., y Munafò, M. R. (2013). Power failure: Why small sample size undermines the reliability of neuroscience. Nature Reviews Neuroscience, 14(5), 365-376.
Carp, J. (2012). On the plurality of (methodological) worlds: Estimating the analytic flexibility of fMRI experiments. Frontiers in Neuroscience, 6, 149.
Eklund, A., Nichols, T. E., y Knutsson, H. (2016). Cluster failure: Why fMRI inferences for spatial extent have inflated false-positive rates. Proceedings of the National Academy of Sciences, 113(28), 7900-7905.
Fedorenko, E., Hsieh, P.-J., Nieto-Castañón, A., Whitfield-Gabrieli, S., y Kanwisher, N. (2010). New method for fMRI investigations of language: Defining ROIs functionally in individual subjects. Journal of Neurophysiology, 104(2), 1177-1194.
Fedorenko, E., Ivanova, A. A., y Regev, T. I. (2024). The language network as a natural kind within the broader landscape of the human brain. Nature Reviews Neuroscience, 25(5), 289-312.
Henson, R. (2005). What can functional neuroimaging tell the experimental psychologist? Quarterly Journal of Experimental Psychology Section A, 58(2), 193-233.
Holloway, T., Leach, J. L., Tenney, J. R., Byars, A. W., Horn, P. S., Greiner, H. M., Mangano, F. T., Holland, K. D., y Arya, R. (2022). Functional MRI and electrical stimulation mapping for language localization: A comparative meta-analysis. Clinical Neurology and Neurosurgery, 222, 107417.
Kriegeskorte, N., Simmons, W. K., Bellgowan, P. S. F., y Baker, C. I. (2009). Circular analysis in systems neuroscience: The dangers of double dipping. Nature Neuroscience, 12(5), 535-540.
Marek, S., Tervo-Clemmens, B., Calabro, F. J., Montez, D. F., Kay, B. P., Hatoum, A. S., Donohue, M. R., Foran, W., Miller, R. L., Hendrickson, T. J., Malone, S. M., Kandala, S., Feczko, E., Miranda-Dominguez, O., Graham, A. M., Earl, E. A., Perrone, A. J., Cordova, M., Doyle, O., … Dosenbach, N. U. F. (2022). Reproducible brain-wide association studies require thousands of individuals. Nature, 603(7902), 654-660.
Murphy, E., y Woolnough, O. (2024). The language network is topographically diverse and driven by rapid syntactic inferences [Correspondence]. Nature Reviews Neuroscience, 25(10), 705.
Poldrack, R. A. (2006). Can cognitive processes be inferred from neuroimaging data? Trends in Cognitive Sciences, 10(2), 59-63.
Poldrack, R. A. (2011). Inferring mental states from neuroimaging data: From reverse inference to large-scale decoding. Neuron, 72(5), 692-697.
Sack, A. T. (2006). Transcranial magnetic stimulation, causal structure-function mapping and networks of functional relevance. Current Opinion in Neurobiology, 16(5), 593-599.
Saur, D., Kreher, B. W., Schnell, S., Kümmerer, D., Kellmeyer, P., Vry, M. S., Umarova, R., Musso, M., Glauche, V., Abel, S., Huber, W., Rijntjes, M., Hennig, J., y Weiller, C. (2008). Ventral and dorsal pathways for language. Proceedings of the National Academy of Sciences, 105(46), 18035-18040.
Turker, S., Kuhnke, P., Eickhoff, S. B., Caspers, S., y Hartwigsen, G. (2023). Cortical, subcortical, and cerebellar contributions to language processing: A meta-analytic review of 403 neuroimaging experiments. Psychological Bulletin, 149(11-12), 699-723.
Yarkoni, T., Poldrack, R. A., Nichols, T. E., Van Essen, D. C., y Wager, T. D. (2011). Large-scale automated synthesis of human functional neuroimaging data. Nature Methods, 8(8), 665-670.