The reinforcement landscape influences sensorimotor learning
Notice bibliographique
Résumé
Successful movement, such as hitting a long and straight golf drive, produces a satisfying feeling. Such positive reinforcement feedback has been suggested to influence motor learning. Here, we tested the idea that the reinforcement landscape—the probability of task success given a motor action—can be manipulated to influence learning. In Experiment 1, we tested the prediction that participants experiencing a steep reinforcement landscape would learn faster than those experiencing a shallow landscape. In Experiment 2, we predicted that participants experiencing a complex landscape with multiple gradients would change where they aimed their hand such that they would ascend the steeper portion of the landscape. Participants grasped the handle of a robot arm. They reached from a home position to a displayed target. Vision of the upper limb was occluded. Critically, we shaped the reinforcement landscape by manipulating the probability of reward as a function of their angular displacement from the displayed target. Depending on the assigned landscape, participants were more likely to receive reward if they reached to the left and/or right of the displayed target. We found that participants learned at a faster rate when experiencing a steeper landscape and were more likely to ascend the steeper portion of a complex landscape. Finally, we developed a simple computational model that replicates both experiments. The model naturally reproduces several other hallmarks of human movement, such as random-walk behaviour in task-irrelevant dimensions, increased learning rates with greater movement variability and exponential learning curves.Acknowledgments: NSERC, CIHR
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».