MétaCan
Menu
← Retour à la cohorte
Enregistrement W2908786363 · doi:10.71781/26748

Caractéristiques des corrections automatiques assurant la précision spatiale d’un mouvement d’atteinte manuelle

2018· dissertation· fr· W2908786363 sur OpenAlexfundno aff
J. Brière

Notice bibliographique

RevueOpen MIND · 2018
Typedissertation
Languefr
DomaineMedicine
ThématiqueMusculoskeletal pain and rehabilitation
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPhysicsHumanitiesArt

Résumé

récupéré en direct d'OpenAlex

Les tâches d’atteintes manuelles représentent probablement l’activité motrice la plus pratiquée par l’être humain. Les chercheurs ont longtemps pensé que l’impulsion motrice initiale de ce type de mouvement était balistique, qu’elle ne pouvait pas être modifiée en cours de route. Or, de récentes études suggéraient que tel n’était pas le cas et que cette première impulsion de mouvement pouvait être modulée de façon fluide sur la base des afférences visuelles. Pour étudier ce phénomène, plusieurs auteurs ont utilisé une tâche de pointage vidéo dans laquelle un curseur, représentant la main d’un participant, était déplacé vers une cible visuelle. Pour étudier de possibles mécanismes de correction du mouvement, la cible visée ou le curseur représentant la main du participant était quelques fois déplacé latéralement (par exemple 15 mm vers la droite) tôt après l’amorce. Afin d’atteindre la cible visée, le participant devait donc corriger le mouvement qu’il avait amorcé en fonction des nouvelles informations disponibles. Les études utilisant cette procédure de perturbation (« saut de cible » ou « saut de curseur ») montrent que les participants corrigeaient leur mouvement de façon fluide, et ce, malgré le fait qu’ils ne percevaient pas consciemment le saut de cible ou de curseur. En incorporant des sauts de curseur à différents endroits dans le mouvement, Saunders et Knill (2003) ont observé une latence de correction constante et courte, peu importe l’endroit où survenait la perturbation. Ils ont donc émis l’hypothèse que l’humain traite de façon continue les afférences visuelles relatives au déplacement de la main lors d’une tâche d’atteinte. Dans cette thèse, nous avons voulu déterminer les caractéristiques de ces corrections en ligne. Nos résultats indiquent: - Que deux perturbations successives n’entrent pas en conflit l’une avec l’autre. Plus spécifiquement, la présentation d’une seconde perturbation n’interfère pas avec le processus de correction mis en branle par la première perturbation. Ces résultats confirment la continuité du processus de traitement des afférences visuelles en cours de mouvement et, du même coup, la faible charge attentionnelle requise pour traiter l’information visuelle relative au déplacement du curseur et amorcer une correction appropriée. - Que de voir le curseur déplacé de sa trajectoire originale pour aussi peu que 16 ms est suffisant pour observer une modification du mouvement en cours de réalisation. De plus, la grandeur de la correction observée augmente lorsque la période de visibilité du curseur augmente suite à la perturbation. Nous avons utilisé ces résultats pour démontrer que le système nerveux central définissait la position perçue de la main sur la base d’une intégration spatiale de sa position au cours des 70 dernières millisecondes. - Que la latence de la correction n’est pas tributaire de la grandeur de la perturbation ou de là où elle survient dans la trajectoire du mouvement. Cependant, le gain de cette correction est, lui, fonction de la grandeur de la perturbation. Ces observations suggèrent que l’amorce de la correction relève d’une comparaison entre la trajectoire de mouvement planifiée par l’individu et la trajectoire observée. Le gain de la correction serait plutôt fonction de la position perçue de la main et des caractéristiques de la cible à atteindre (position et dimension). En conclusion, l’ensemble des résultats de cette thèse montre une efficacité impressionnante du système visuel de détection et de correction des erreurs. Un système rapide et précis qui, toutefois, ne requiert pas une grande demande attentionnelle. Ces caractéristiques témoignent de la grande efficacité qu’à l’humain d’atteindre des objets grâce, en partie, à un mode de contrôle en continue de la progression de ses mouvements.

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)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,102

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,014
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0300,006

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 Opus0,021
Tête enseignante GPT0,350
Écart entre enseignants0,329 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen MIND→Même sujetMusculoskeletal pain and rehabilitation→Travaux en français237 207→