MétaCan
Menu
← Retour à la cohorte
Enregistrement W2214968039 · doi:10.5281/zenodo.35557

Dataset For The Predicted And Perceived Sensory Consequences Of Movement

2015· dataset· en· W2214968039 sur OpenAlexaff
Bernard 't Hart, Denise Y. P. Henriques

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2015
Typedataset
Langueen
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésSensory systemMovement (music)PsychologyCognitive psychologyComputer sciencePhysical medicine and rehabilitationCommunicationMedicineArtAesthetics

Résumé

récupéré en direct d'OpenAlex

In this project, we examine the extent to which changes in perceived hand location after visuomotor rotation adaptation are due to updated predictions about sensory consequences or rather recalibrated proprioception. We find that at least half of the shift in state estimates is due to recalibrated proprioception. There are two files in this dataset. The first has data on reaches in the training tasks as well as in the no-cursor reaching tasks, and is called 'reaches.txt'. The second has data on where the participants indicated they thought their right hand was by tapping on a touch screen with their left hand. This file is called 'taps.txt'. Reaches All reaches are first rotated so that the visual target has a Y coordinate of 0. Then they are splined to a resolution of 10 ms. And then put through a 2.5 Hz lowpass Butterworth filter. After that, some endpoint parameters (X and Y coordinate, angle) are calculated, As well as some parameters of the point of maximum velocity (velocity, X and Y coordinates and angle). Columns with independent variables: subject: subject number (0..20) condition: aligned or rotated (0: aligned, 1: rotated) phase: type of reach (0: training, 1: no-cursor reaches, 2: top-up training) iteration: repetitions of the task (0,1,2,3,4) NB: there are 4 iterations (0..3) in aligned, but 5 in rotated (0..4) trial: trialnumber (0..89; training: 0..xx, no-cursor reaches: 0..21, top-up training: 0..xx) target_angle: target angle in degrees (15,25,35,45,55,65,75) rotation: rotation of the visual feedback in degrees (0..30) Columns with dependent variables: endX: X coordinate of the endpoint endY: Y coordinate of the endpoint end_angle: deviation of the angle of the endpoint of the reach relative to the angle of the visual target in radians max_vel: maximum velocity in the reach (m/s?) max_velX: X coordinate at the point of maximum velocity max_velY: Y coordinate at the point of maximum velocity max_vel_angle: angle at the point of maximum velocity, relative to the angle of the visual target in radians Taps This table contains data on where people tapped on the touchscreen in a pre-processed form. All taps are described as an angle relative to where people indicated the home position was. This has 0 degrees to the right and 90 degrees straight ahead and so on. Columns with in independent variables: subject: subject number (0..20) rotated: tap recorded after rotated training or not (boolean: 0=false, 1=true) active: tap recorded after active movement or not (boolean: 0=false, 1=true) delayed: tap recorded delayed or not (boolean: 0=false - or online response, 1=true) trial: trial number (0..24) Columns with dependent variables: robot_angle: where the robot and hence the hand, actually was when responding on the touchscreen (in degrees angle) tap_angle: where the participant indicate their hand was

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: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,036
Score d'incertitude au seuil0,122

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0360,048

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 Opus0,085
Tête enseignante GPT0,296
Écart entre enseignants0,211 · 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'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)→Même sujetEEG and Brain-Computer Interfaces→Travaux en français237 207→