The influence of adaptive schedules on motor learning in young adults
Notice bibliographique
Résumé
Learning is facilitated when practice schedules are adapted to a learner's performance compared to equivalent amounts of random practice (Choi et al. 2008). Task switching could either be sensitive to the learner's actual performance or act as a reward for successful goal achievement. We examined this by comparing two groups that were either rewarded for goal achievement with a task switch or a task repetition. Participants learned to perform four spatially distinct key-press patterns as fast as possible and without error through a discovery process. Their goal was to beat their best movement time (MT) for each specific pattern. For example, when a learner in the WinShift (WS) schedule achieved success (a "win") they switched to a different pattern; failure to beat their best time resulted in immediate repetition of the same pattern. The opposite contingency was used in the WinRepeat (WR) group. The results for both MT and errors in retention tests performed on the same day as practice and the next day were significantly better for the WR group, where a "win" was rewarded with a task repetition. Analysis of the acquisition data revealed that both groups "won" frequently early and less frequently later in practice. This meant that later in acquisition the WS group had mostly blocked practice while the WR group had mostly random practice. These findings reveal that the effectiveness of adaptive practice depends on the nature of contextual interference promoted by the algorithm. Acknowledgments: This study was funded by NSERC.
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 ».