Goal-directed aiming: Two components but multiple processes.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article reviews the behavioral literature on the control of goal-directed aiming and presents a multiple-process model of limb control. The model builds on recent variants of Woodworth's (1899) two-component model of speed-accuracy relations in voluntary movement and incorporates ideas about dynamic online limb control based on prior expectations about the efferent and afferent consequences of a planned movement. The model considers the relationship between movement speed and accuracy, and how performers adjust their trial-to-trial aiming behavior to find a safe, but fast, zone for movement execution. The model also outlines how the energy and safety costs associated with different movement outcomes contribute to movement planning processes and the control of aiming trajectories. Our theoretical position highlights the importance of advance knowledge about the sensory information that will be available for online control and the need to develop a robust internal representation of expected sensory consequences. We outline how early practice contributes to optimizing strategic planning to avoid worst-case outcomes associated with inherent neural-motor variability. Our model considers the role of both motor development and motor learning in refining feed-forward and online control. The model reconciles procedural and representational accounts of the specificity-of-learning phenomenon. Finally, we examine the breakdown of perceptual-motor precision in several special populations (i.e., Down syndrome, Williams syndrome, autism spectrum disorder, normal aging) within the framework of a multiple-process approach to goal-directed aiming.
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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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 découle