Contributions of the Left and the Right Hemispheres on Language-Induced Grip Force Modulation of the Left Hand in Unimanual Tasks
Notice bibliographique
Résumé
Background and Objectives: Language-induced grip force modulation (LGFM) can be used to better understand the link between language and motor functions as an expression of embodied language. However, the contribution of each brain hemisphere to LGFM is still unclear. Using six different action verbs as stimuli, this study evaluated the grip force modulation of the left hand in a unimanual task to characterize the left and right hemispheres’ contributions. Materials and Methods: Left-hand LGFM of 20 healthy and consistently right-handed subjects was evaluated using the verbs “to write”, “to hold”, “to pull” (left-lateralized central processing actions), “to draw”, “to tie”, and “to drive” (bihemispheric central processing actions) as linguistic stimuli. The time between the word onset and the first interval of statistical significance regarding the baseline (here as reaction time, RT) was also measured. Results: The six verbs produced LGFM. The modulation intensity was similar for the six verbs, but the RT was variable. The verbs “to draw”, “to tie”, and “to drive”, whose central processing of the described action is bihemispheric, showed a longer RT compared to the other verbs. Conclusions: The possibility of a given manual action being performed by the left hand in consistent right-handers does not interfere with the occurrence of LGFM when the descriptor verb of this action is used as a linguistic stimulus, even if the possibility is remote. Therefore, LGFM seems to mainly rely on the left hemisphere, while a greater activation of the right hemisphere in action processing appears to slow the increase in LGFM intensity.
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 | 0,001 |
| 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 | 0,000 | 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 ».