The effect of load magnitude on path choice in a decision-making task
Notice bibliographique
Résumé
We are constantly faced with decisions about how to choose a path when navigating a complex movement environment. When deciding between movement paths that vary in reach distance and walking distance, previous research shows that the path which minimizes reach distance is more likely to be chosen, as reaching is ~11.2x more costly than walking (Rosenbaum et al., 2011; Rosenbaum, 2012; Cappelletto & Lyons, 2018a, 2018b). Our recent work investigates biomechanical factors (joint loading at the trunk and shoulder) during decision-making tasks and provides evidence that these functional movement costs can influence cognitive decision making when choosing between alternative movement strategies in both a two-choice and four-choice model (Cappelletto & Lyons, 2018a, 2018b). It is still unclear how functional costs are incorporated into the planning and execution of a decision-making task with decision factors in multiple domains (e.g. distance and weight). The purpose of this study is to explore how the perceived costs of multiple task variables are prioritized and integrated into action planning. Sixteen participants performed 80 trials of a bucket transfer task that varied as a function of load start location, load magnitude, and terminal target position. Our biomechanical data revealed that participants prioritized decreased reach distance over bearing an increased load, as reflected in decreased joint loading in chosen vs. unchosen paths, which suggests that bottom-up processes are influencing action planning.
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 | 0,002 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».