Errors make you better: Behavioral, theoretical and neurophysiological determinants of error processing in motor learning
Notice bibliographique
Résumé
According to Schmidt and Lee's (2011) textbook definition, motor learning involves a set of internal processes associated with practice or experience leading to relatively permanent changes in the capability to perform a motor skill. In this symposium our speakers will examine the role of error processing in motor learning, using behavioral, theoretical and neurophysiological techniques. Motor learning related to the acquisition of a novel motor task/new motor pattern, as well as the adaptation of a well-learned movement to meet changing environmental and/or body demands will be examined. Michael Carter will begin the session by discussing the benefit of providing learners with choice over when they receive error feedback within a practice session. Findings will be extended to establish the window of time when feedback is most optimal for improvements in performance. Denise Henriques will then consider error signals that arise when processing conflicting sensory information (visual and proprioceptive) related to hand position. The processing of sensory feedback received and predicted based on an efference copy will be examined in light of their contribution to motor adaptation. Pierre-Michel Bernier will end the session by addressing the contribution of neocortical regions to the encoding of sensory prediction errors in the context of motor adaptation. The neural bases of target error processing will also be discussed, including how they are modulated by performance-contingent monetary incentives. Together, these 3 speakers will provide insight into the strategic (conscious) and implicit (unconscious) error processing mechanisms underlying motor learning.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».