Both fast and slow learning processes contribute to savings following sensorimotor adaptation
Notice bibliographique
Résumé
Recent work suggests that the rate of learning in sensorimotor adaptation is likely not fixed, but rather can change based on previous experience. One example is savings, a commonly observed phenomenon whereby the relearning of a motor skill is faster than the initial learning. Sensorimotor adaptation is thought to be driven by sensory prediction errors, which are the result of a mismatch between predicted and actual sensory consequences. It has been proposed that during motor adaptation the generation of sensory prediction errors engages two processes (fast and slow) that differ in learning and retention rates. We tested the idea that a history of errors would influence both the fast and slow processes during savings. Participants were asked to perform the same force field adaptation task twice in succession. We found that adaptation to the force field a second time led to increases in estimated learning rates for both fast and slow processes. While it has been proposed that savings is explained by an increase in learning rate for the fast process, here we observed that the slow process also contributes to savings. Our work suggests that fast and slow adaptation processes are both responsive to a history of error and both contribute to savings. NEW & NOTEWORTHY We studied the underlying mechanisms of savings during motor adaptation. Using a two-state model to represent fast and slow processes that contribute to motor adaptation, we found that a history of error modulates performance in both processes. While previous research has attributed savings to only changes in the fast process, we demonstrated that an increase in both processes is needed to account for the measured behavioral data.
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 | 0,000 |
| 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 ».