Motor Force Field Learning Influences Visual Processing of Target Motion
Notice bibliographique
Résumé
There are reciprocal connections between visual and motor areas of the cerebral cortex. Although recent studies have provided intriguing new insights, in comparison with volume of research on the visual control of movement, relatively little is known about how movement influences vision. The motor system is perfectly suited to learn about environmental forces. Does environmental force information, learned by the motor system, influence visual processing? Here, we show that learning to compensate for a force applied to the hand influenced how participants predicted target motion for interception. Ss trained in one of three constant force fields by making reaching movements while holding a robotic manipulandum. The robot applied forces in a null [null force field (NFF)], leftward [leftward force field (LFF)], or [rightward force field (RFF)] direction. Training was followed immediately with an interception task. The target accelerated from left to right and Ss's task was to stab it. When viewing time was optimal for prediction, the RFF group initiated their responses earlier and hit more targets, and the LFF group initiated their responses later and hit fewer targets, than the NFF group. In follow-up experiments, we show that motor learning is necessary, and we rule out the possibility that explicit force direction information drives how Ss altered their predictions of visual motion. Environmental force information, acquired by motor learning, influenced how the motion of nearby visual targets was predicted.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».