MétaCan
Menu
Retour à la cohorte
Enregistrement W2910203464 · doi:10.1152/jn.00041.2019

Sequence learning is driven by improvements in motor planning

2019· article· en· W2910203464 sur OpenAlexafffund
Giacomo Ariani, Jörn Diedrichsen

Notice bibliographique

RevueJournal of Neurophysiology · 2019
Typearticle
Langueen
DomaineNeuroscience
ThématiqueMotor Control and Adaptation
Établissements canadiensWestern University
Organismes subventionnairesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada
Mots-clésMotor planningMotor learningNeuroscienceSequence (biology)Computer scienceSequence learningPsychologyCommunicationCognitive psychologyArtificial intelligenceBiology

Résumé

récupéré en direct d'OpenAlex

The ability to perform complex sequences of movements quickly and accurately is critical for many motor skills. Although training improves performance in a large variety of motor sequence tasks, the precise mechanisms behind such improvements are poorly understood. Here we investigated the contribution of single-action selection, sequence preplanning, online planning, and motor execution to performance in a discrete sequence production task. Five visually presented numbers cued a sequence of five finger presses, which had to be executed as quickly and accurately as possible. To study how sequence planning influenced sequence production, we manipulated the amount of time that participants were given to prepare each sequence by using a forced-response paradigm. Over 4 days, participants were trained on 10 sequences and tested on 80 novel sequences. Our results revealed that participants became faster in selecting individual finger presses. They also preplanned three or four sequence items into the future, and the speed of preplanning improved for trained, but not for untrained, sequences. Because preplanning capacity remained limited, the remaining sequence elements had to be planned online during sequence execution, a process that also improved with sequence-specific training. Overall, our results support the view that motor sequence learning effects are best characterized by improvements in planning processes that occur both before and concurrently with motor execution. NEW & NOTEWORTHY Complex skills often require the production of sequential movements. Although practice improves performance, it remains unclear how these improvements are achieved. Our findings show that learning effects in a sequence production task can be attributed to an enhanced ability to plan upcoming movements. These results shed new light on planning processes in the context of movement sequences and have important implications for our understanding of the neural mechanisms that underlie skill acquisition.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,765
Score d'incertitude au seuil0,291

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,278
Écart entre enseignants0,247 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations93
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of NeurophysiologyMême sujetMotor Control and AdaptationTravaux en français237 207