Variability in error-based and reward-based human motor learning is associated with entorhinal volume
Notice bibliographique
Résumé
Abstract Error-based and reward-based processes are critical for motor learning, and are thought to be mediated via distinct neural pathways. However, recent behavioral work in humans suggests that both learning processes are supported by cognitive strategies and that these contribute to individual differences in motor learning ability. While it has been speculated that medial temporal lobe regions may support this strategic component to learning, direct evidence is lacking. Here we first show that faster and more complete learning during error-based visuomotor adaptation is associated with better learning during reward-based shaping of reaching movements. This result suggests that strategic processes, linked to faster and better learning, drive individual differences in both error-based and reward-based motor learning. We then show that right entorhinal cortex volume was larger in good learning individuals—classified across both motor learning tasks—compared to their poorer learning counterparts. This suggests that strategic processes underlying both error- and reward-based learning are linked to neuroanatomical differences in entorhinal cortex. Significance Statement While it is widely appreciated that humans vary greatly in their motor learning abilities, little is known about the processes and neuroanatomical bases that underlie these differences. Here, using a data-driven approach, we show that individual variability in error-based and reward-based motor learning is tightly linked, and related to the use of cognitive strategies. We further show that structural differences in entorhinal cortex predict this intersubject variability in motor learning, with larger entorhinal volumes being associated with better overall error-based and reward-based learning. Together, these findings provide support for the notion that the ability to recruit strategic processes underlies intersubject variability in both error-based and reward-based learning, which itself may be linked to structural differences in medial temporal regions.
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 | 0,001 |
| 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) | 0,001 | 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 ».