How robust are measures of online control to offline mechanisms
Notice bibliographique
Résumé
The importance of online visual feedback for the accurate completion of reaching movements is widely accepted. In contrast, the quantification of online feedback utilization can still be challenged. For example, many contemporary measures of online control are calculated across multiple trials, which brings about potential confounds via the contribution of offline trial-to-trial changes in performance. The current study sought to contrast the robustness of common measures of online control and a novel frequency-based measure (de Grosbois & Tremblay, 2015) to offline-induced changes in reaching trajectories. The main experimental conditions included reaches performed in no-vision conditions with: a) optical prisms that shifted the perceived location of the target and environment and b) terminal feedback [TF] via a 1-s window of vision after each movement. Also, control full-vision conditions were performed with and without TF. The measures of online control included two between-trial measures (i.e., variable error [VE] and normalized correlations of position at 75 % of movement time relative to the end-position [Z2]) and two within trial measures (i.e., the time-after-peak-velocity [TAPV] and a novel frequency analysis [pPower]). The results indicated that VE and TAPV were sensitive to the prism manipulation (i.e., not robust to offline control mechanism), whereas Z2 and pPower were relatively immune to the offline changes caused by the prisms. Supplementary analyses comparing the two full-vision conditions (i.e., with and without TF) indicated that the pPower measure was the most robust to offline influences. Acknowledgments: Natural Sciences and Engineering Research Council of Canada (NSERC), Canada Foundation for Innovation (CFI), Ontario Research Fund (ORF)
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 ».