MétaCan
Menu
Retour à la cohorte
Enregistrement W2013708223 · doi:10.1523/jneurosci.4458-05.2006

Long-Lasting Memories of Obstacles Guide Leg Movements in the Walking Cat

2006· article· en· W2013708223 sur OpenAlexafffund
David A. McVea, K. G. Pearson

Notice bibliographique

RevueJournal of Neuroscience · 2006
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueZebrafish Biomedical Research Applications
Établissements canadiensUniversity of Alberta
Organismes subventionnairesCanadian Institutes of Health ResearchFondation pour la Recherche Médicale
Mots-clésObstacleSwingPhysical medicine and rehabilitationComputer scienceObstacle avoidancePsychologyCommunicationArtificial intelligenceMedicineEngineeringRobotPolitical scienceLawMobile robot

Résumé

récupéré en direct d'OpenAlex

We examined the ways in which memories of previously seen obstacles can alter the stepping of walking cats. Cats were paused after the forelegs, but not the hindlegs, had stepped over an obstacle. Near the beginning of a variable delay period, the obstacle was lowered. On the subsequent step, the path of the hindlegs allowed us to make inferences about whether the memory of the obstacle was influencing leg movements. We present two main findings. First, the memory of the obstacle persisted for the duration that the animal straddled the original location of the obstacle. In one instance, this interval was 10 min. Second, this memory includes information regarding the size and position of the obstacle relative to the animal. This information is used to plan foot placement and to redirect the step in mid-swing to avoid the previous position of the obstacle.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,500
Score d'incertitude au seuil0,138

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,315
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations53
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of NeuroscienceMême sujetZebrafish Biomedical Research ApplicationsTravaux en français237 207