MétaCan
Menu
Retour à la cohorte
Enregistrement W2070897682 · doi:10.1167/8.6.610

Learning and retaining visuomotor adaptation across time

2010· article· en· W2070897682 sur OpenAlexaff
Maryam Modabber, Jason L. Neva, Michael Gill, Ian Budge, Denise Y. P. Henriques

Notice bibliographique

RevueJournal of Vision · 2010
Typearticle
Langueen
DomaineNeuroscience
ThématiqueMotor Control and Adaptation
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésSession (web analytics)Task (project management)Adaptation (eye)Motor learningPsychologyVisual feedbackAffect (linguistics)Cognitive psychologyAudiologyPhysical medicine and rehabilitationComputer scienceCommunicationMedicineNeuroscienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Many studies have shown that the brain can learn to adjust movements to correct for altered visual feedback of the hand when reaching to targets. It is unclear how well brain can learn these adjustments when there are significant gaps in time between brief sessions compared to a single session and how long visuomotor learning is retained. How do delays in time affect learning and later retrieving a novel visuomotor mapping? In Study 1, participants adapted to altered visual feedback of the hand when reaching to visual targets in a single session of 100 trials and across five shorter weekly sessions of 20 trials each. In Study 2, another group of participants learned a similar visuomotor mapping across 200 trials and were retested on the same task 6–8 weeks, 2–3 or 5–6 months later. Results for Study 1 showed that participants had similar learning patterns for a single session compared to weekly sessions. We saw no significant difference in the overall learning rate, and the gaps between sessions did not lead to any loss of previous learning. This indicates that the brain does not need continuous reaching practice but rather it can adapt to this new visuomotor mapping with 7-day gaps between shorter reaching sessions. Preliminary results for Study 2 show that participants retained a substantial amount of visuomotor adaptation over time. We found that deviations in reaching were smaller when participants performed the same task 6–8 weeks after the first visuomotor adaptation session. Our results suggest that the learned visuomotor mapping may last over longer time frames of 2–3, and 5–6 months. We are currently collecting these data. Our results from Study 1 and 2 suggest that the brain is able to learn and retain visuomotor adaptations over time.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,018
Tête enseignante GPT0,307
Écart entre enseignants0,288 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations1
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetMotor Control and AdaptationTravaux en français237 207