A Physical Constraint on Perceptual Learning: Tactile Spatial Acuity Improves with Training to a Limit Set by Finger Size
Notice bibliographique
Résumé
In touch as in vision, perceptual acuity improves with training to an extent that differs greatly across people; even individuals with similar initial acuity may undergo markedly different improvement with training. What accounts for this variability in perceptual learning? We hypothesized that a simple physical characteristic, fingertip surface area, might constrain tactile learning, because previous research suggests that larger fingers have more widely spaced mechanoreceptors. To test our hypothesis, we trained 10 human participants intensively on a tactile spatial acuity task. During 4 d, participants completed 1900 training trials (38 50-trial blocks) in which they discriminated the orientation of square-wave gratings pressed onto the stationary index or ring finger, with auditory feedback provided to signal correct and incorrect responses. We progressively increased task difficulty by shifting to thinner groove widths whenever participants achieved ≥90% correct block performance. We took optical scans to measure surface area from the distal interphalangeal crease to the tip of the finger. Participants' acuity improved markedly on the trained finger and to a lesser extent on the untrained finger. Crucially, we found that participants' tactile spatial acuity improved toward a theoretical optimum set by their finger size; participants with worse initial performance relative to their finger size improved more with training, and posttraining performance was better correlated than pretraining performance with finger size. These results strongly support the hypothesis that tactile perceptual learning is limited by finger size. We suspect that analogous physical constraints on perceptual learning will be found in other sensory modalities.
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 | 0,005 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».