Where's my hand? Updating proprioception and prediction for motor learning
Notice bibliographique
Résumé
Knowing the position of one's limbs is essential for moving them, and hence it makes sense that several signals provide information on limb position. These include vision and proprioception, as well as predictive estimates based on efference copies of the movement. And since both proprioceptive and predictive estimates of hand position have been shown to change when we adapt our movements to altered visual feedback of the hand (i.e., a visuomotor rotation), it is unclear how much each contributes to post-adaptation changes in where we localize our hand. By having participants localize their hand with and without efference signals, we can tease the two contributions apart. In summary, we find that 1) visuomotor training leads to changes in both predicted, efferent-based and proprioceptive estimates of the hand, but that the change in prediction is smaller than that of perception, 2) these changes do not vary with awareness nor the size of the visual perturbation, but do differ in older adults, and 3) proprioception-based changes occur very rapidly, while efference-based contributions come about less rapidly, at about the same rate as motor changes. These findings imply that both these sources for estimating limb position are updated during learning and in turn contribute to changes in motor performance. This means that the plasticity in our estimates of limb position depends on multiple sources of feedback, and our brains likely take into account the peculiarities of the separate signals to arrive at a robust limb position signal.
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 | 0,001 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».