Composition and decomposition learning of reaching movements under altered environments: An examination of the multiplicity of internal models
Notice bibliographique
Résumé
Abstract We have studied the learning processes of reaching movements under novel environments whose kinematic and dynamic properties are altered. In the experiments, we have used, as the kinematic transformation, a rotational transformation which is displayed by rotating a cursor indicating hand position in the orthogonal coordinate system on a CRT; a viscous transformation using viscous field as the dynamic transformation; and a combined transformation of these two transformations. It is observed that the hand trajectory approaches a straight line along with learning and accurately reaches the target. When the combined transformation is learned after the rotational transformation and viscous transformation are learned first, respectively, the final error becomes smaller and the path length also becomes shorter than the case when the combined transformation is learned first. Moreover, the final error and path length of the movement under rotational transformation and viscous transformation when the combined transformation is learned first also become smaller than the case when the rotational and viscous transformations are learned first. These results suggest that the central nervous system has learned separately the multiple internal models which compensate the respective transformations, and has composed or decomposed the respective internal models in accordance with the environmental changes. It may be considered that such multiplicity of internal models makes it possible for the living body to flexibly cope with the environments or tools having various dynamic and kinematic properties. © 2002 Wiley Periodicals, Inc. Syst Comp Jpn, 33(11): 80–94, 2002; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/scj.1166
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 ».