A rapid visuomotor response on the human upper limb is selectively influenced by implicit motor learning
Notice bibliographique
Résumé
How do humans learn to adapt their motor actions to achieve task success? Recent behavioral and patient studies have challenged the classic notion that motor learning arises solely from the errors produced during a task, suggesting instead that explicit cognitive strategies can act in concert with the implicit, error-based, motor learning component. In this study, we show that the earliest wave of directionally tuned neuromuscular activity that begins within ~100 ms of peripheral visual stimulus onset is selectively influenced by the implicit component of motor learning. In contrast, the voluntary neuromuscular activity associated with reach initiation, which evolves ~100-200 ms later, is influenced by both the implicit and explicit components of motor learning. The selective influence of the implicit, but not explicit, component of motor learning on the directional tuning of the earliest cascade of neuromuscular activity supports the notion that these components of motor learning can differentially influence descending motor pathways. NEW & NOTEWORTHY Motor learning can be driven both by an implicit error-based component and an explicit strategic component, but the influence of these components on the descending pathways that contribute to motor control is unknown. In this study, we show that the implicit component selectively influences a reflexive circuit that rapidly generates a visuomotor response on the human upper limb. Our results show that the substrates mediating implicit and explicit motor learning exert distinct influences on descending motor pathways.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».