Effect of Trial Order and Error Magnitude on Motor Learning by Observing
Notice bibliographique
Résumé
Watching an actor make reaching movements in a perturbing force field provides the observer with information about how to compensate for that force field. Here we asked two questions about the nature of information provided to the observer. Is it important that the observer learn the difference between errant (curved) movements and goal (straight) movements by watching the actor progress in a relatively orderly fashion from highly curved to straight movements over a series of trials? Or is it sufficient that the observer sees only reaching errors in the force field (FF)? In the first experiment, we found that observers performed better if they observed reaches in a FF that was congruent, rather than incongruent, with the FF used in a later test. Observation-trial order had no effect on performance, suggesting that observers understood the goal in advance and perhaps learned about the force-field by observing movement curvature. Next we asked whether observers learn optimally by observing the actor's mistakes (high-error trials), if they learn by watching the actor perform with expertise in the FF (low-error trials), or if they need to see contrast between errant and goal behavior (a mixture of both high- and low-error trials). We found that observers who watched high-error trials were most affected by observation but that significant learning also occurred if observers watched only some high-error trials. This result suggests that observers learn to adapt their reaching to an unpredictable FF best when they see the actor making mistakes.
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 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».