Expert Event Segmentation of Dance Is Genre-Specific and Primes Verbal Memory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
By chunking continuous streams of action into ordered, discrete, and meaningful units, event segmentation facilitates motor learning. While expertise in the observed repertoire reduces the frequency of event borders, generalization of this effect to unfamiliar genres of dance and among other sensorimotor experts (musicians, athletes) remains unknown, and was the first aim of this study. Due to significant overlap in visuomotor, language, and memory processing brain networks, the second aim of this study was to investigate whether visually priming expert motor schemas improves memory for words related to one's expertise. A total of 112 participants in six groups (ballet, Bharatanatyam, and "other" dancers, athletes, musicians, and non-experts) segmented a ballet dance, a Bharatanatyam dance, and a non-dance control sequence. To test verbal memory, participants performed a retrieval-induced forgetting task between segmentation blocks. Dance, instrument, and sport word categories were included to probe the second study aim. Results of the event segmentation paradigm clarify that previously-established expert segmentation effects are specific to familiar genres of dance, and do not transfer between different types of experts or to non-dance sequences. Greater recall of dance category words among ballet and Bharatanatyam dancers provides novel evidence for improved verbal memory primed by activating familiar sensorimotor representations.
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.
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) | 0,000 | 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) | 0,002 | 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 découle