Task-Specific Internal Models for Kinematic Transformations
Notice bibliographique
Résumé
Numerous studies of motor learning have focused on how people adapt their reaching movements to novel dynamic and visuomotor perturbations that alter the actual or visually perceived motion of the hand. An important finding from this work is that learning of novel dynamics generalizes across different movement tasks. Thus adaptation to an unusual force field generalizes from center-out reaching movements to circular movements (Conditt et al. 1997). This suggests that subjects acquired an internal model of the dynamic environment that could be used to determine the motor commands needed for untrained movements. Using a task interference paradigm, we investigated whether transfer across tasks is also observed when learning visuomotor transformations. On day 1, all subjects adapted to a +30 degrees rotation while making center-out-and-back reaching movements. After a delay of 5 min, different groups of subjects then adapted to a -30 degrees rotation while performing either a continuous tracking task, a figure-eight drawing task, or the center-out-and-back reaching task. All subjects were then retested the next day on the +30 degrees rotation in the reaching task. As expected, subjects who experienced the opposing rotations while performing the same reaching tasks showed no retention of learning for the first rotation when tested on day 2 (Krakauer et al. 1999). In contrast, such retrograde interference was not observed in the two groups of subjects who experienced the opposing rotations while performing different tasks. In fact, their performance on day 2 was similar to that of control subjects who never experienced the opposite rotation. This lack of interference suggests that memory resources for visuomotor rotations are task specific.
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 | 0,000 |
| 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 ».