Electrophysiological correlates of motor sequence learning
Notice bibliographique
Résumé
BACKGROUND: The Error-related negativity (ERN) is a component of the event-related brain potentials elicited by error commission. The ERN is thought to reflect cognitive control processes aiming to improve performance. As previous studies showed a modulation of the ERN amplitude throughout the execution of a learning task, this study aims to follow the ERN amplitude changes from early to late learning blocks in relation with concomitant motor sequence learning using a serial reaction time (SRT) task. Twenty-two healthy participants completed a SRT task during which continuous EEG activity was recorded. The SRT task consists of series of stimulus-response pairs and involves motor learning of a repeating sequence. Learning was computed as the difference in mean response time between the last sequence block and the last random blocks that immediately follows it (sequence-specific learning). Event-related potentials were analysed to measure ERN amplitude elicited by error commission. RESULTS: Mean ERN amplitude difference between the first four learning blocks and the last four learning blocks of the SRT task correlated significantly with motor sequence learning as well as with overall response time improvement, such that those participants whose ERN amplitude most increased through learning blocks were also those who exhibited most SRT task improvements. In contrast, neither sequence-specific learning nor overall response time improvement across learning blocks were found to be related to averaged ERN amplitude from all learning blocks. CONCLUSION: Findings from the present study suggest that the ERN amplitude changes from early to late learning blocks occurring over the course of the SRT task, as opposed to the averaged ERN amplitude from all learning blocks, is more closely associated with learning of a motor sequence. These findings propose an improved electrophysiological marker to index change in cognitive control efficiency during motor sequence learning.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».