Structure of Plasticity in Human Sensory and Motor Networks Due to Perceptual Learning
Notice bibliographique
Résumé
As we begin to acquire a new motor skill, we face the dual challenge of determining and refining the somatosensory goals of our movements and establishing the best motor commands to achieve our ends. The two typically proceed in parallel, and accordingly it is unclear how much of skill acquisition is a reflection of changes in sensory systems and how much reflects changes in the brain's motor areas. Here we have intentionally separated perceptual and motor learning in time so that we can assess functional changes to human sensory and motor networks as a result of perceptual learning. Our subjects underwent fMRI scans of the resting brain before and after a somatosensory discrimination task. We identified changes in functional connectivity that were due to the effects of perceptual learning on movement. For this purpose, we used a neural model of the transmission of sensory signals from perceptual decision making through to motor action. We used this model in combination with a partial correlation technique to parcel out those changes in connectivity observed in motor systems that could be attributed to activity in sensory brain regions. We found that, after removing effects that are linearly correlated with somatosensory activity, perceptual learning results in changes to frontal motor areas that are related to the effects of this training on motor behavior and learning. This suggests that perceptual learning produces changes to frontal motor areas of the brain and may thus contribute directly to motor learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».