Fast and slow processes in visuomotor adaptation: Task design and aging
Notice bibliographique
Résumé
People are incredibly good at adapting their movements to altered circumstances, likely engaging multiple learning processes. How multi-process motor learning dynamics depend on the task or change with age is still unclear. In several experiments we investigate how well a two-rate model with a fast and slow process (Smith et al., 2006) can account for changes in task demands, and how age affects two-rate adaptation. Each participant separately learns two rotations in counterbalanced order and separate parts of the workspace. This way we can compare model fits on data from two tasks within each participant. We tested if two-rate model fits are affected by providing continuous or terminal feedback. Terminal feedback disambiguates error size, which would benefit error-based models of motor learning. However, adaptation with terminal feedback could be explained with a single-rate process, so that continuous feedback seems better suited for studying multi-rate motor learning. Second, we tested how older and younger adults learn either an abruptly or gradually introduced rotation. We found no effect of age, but this may be due to our choice of paradigm, in particular the final part of the task that's meant to separate the two model processes. We test this in a third experiment. Each participant does two of four different paradigms, with identical initial learning. The final parts of the task differ, affecting the model fits' fast and slow contributions to initial learning. Our results guide experimental design for two-rate model studies, and show that within-participant paradigms are both possible and useful.Acknowledgments: NSERC; DFG EG 145/1-1
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».