Medial frontal negativities predict performance improvements during motor sequence but not motor adaptation learning
Notice bibliographique
Résumé
Alterations in our environment require us to learn or alter motor skills to remain efficient. Also, damage or injury may require the relearning of motor skills. Two types have been identified: movement adaptation and motor sequence learning. Doyonet al. (2003, Distinct contribution of the cortico-striatal and cortico-cerebellar systems to motor skill learning. Neuropsychologia, 41(3), 252-262) proposed a model to explain the neural mechanisms related to adaptation (cortico-cerebellar) and motor sequence learning (cortico-striatum) tasks. We hypothesized that medial frontal negativities (MFNs), event-related electrocortical responses including the error-related negativity (ERN) and correct-response-related negativity (CRN), would be trait biomarkers for skill in motor sequence learning due to their relationship with striatal neural generators in a network involving the anterior cingulate and possibly the supplementary motor area. We examined 36 participants' improvement in a motor adaptation and a motor sequence learning task and measured MFNs elicited in a separate Spatial Stroop (conflict) task. We found both ERN and CRN strongly predicted performance improvement in the sequential motor task but not in the adaptation task, supporting this aspect of the Doyon model. Interestingly, the CRN accounted for additional unique variance over the variance shared with the ERN suggesting an expansion of the model.
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 | 0,001 | 0,003 |
| 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) | 0,003 | 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 ».