Perceptual motor integration in a prediction motion task
Notice bibliographique
Résumé
Many activities in our daily life require us to interact with moving objects which may become occluded during movements forcing us to make spatial and temporal estimations. Such estimations are components of Prediction Motion Tasks (PMT). Previously (Marchak, et al 2013), using a custom designed ball movement and occlusion setup on a computer screen; we demonstrated differences in mouse click versus mouse move conditions. In the present study, we further examined performance in PMTs collecting data for eye and hand movements. Five participants (M=26yrs, SD=5.6) predicted the arrival of a ball to a target on a computer touchscreen by either clicking the mouse (mouse click) or by using their index finger to track the ball from a start position to the target and touching the screen upon estimated arrival (hand tracking) following occlusion. The targets moved at 3 speeds creating three different viewing and occluded periods (0.5, 0.75 and 1 seconds). Hand movements were recorded by a 3D motion analysis system (Optotrak 3020) at 240Hz and eye movements were monitored by eye tracker (ASL 6000) at 240Hz. Reaction time, movement time and spatial error data were analyzed using a 2 (movement condition) by 3 (ball speed) repeated measures ANOVA. Results revealed that participants were more accurate when the ball speed was slower. In the hand tracking condition, reaction time for the eyes was faster than the hands and resulted in faster movement times. Results will be discussed as they relate to cognitive and clocking strategies in prediction motion task performance.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».