Critically appraised paper: Implicit motor learning is not superior to explicit motor learning for improving gait speed in chronic stroke [commentary]
Notice bibliographique
Résumé
Question: Does implicit motor learning using analogy learning improve walking speed in chronic stroke more than explicit motor learning using verbal instructions?Design: Randomised controlled trial with concealed allocation and blinded outcome assessment.Setting: Home-based intervention in the Netherlands.Participants: Individuals who were 6 months after stroke, with gait speed , 1.0 m/s and ability to follow a three-step command in Dutch.Key exclusion criteria were inability to walk 10 m, requiring manual assistance to walk on level surfaces, and other non-stroke impairments that affected the gait pattern.Randomisation of 81 participants allocated 39 to the implicit training group and 42 to the explicit training group.Interventions: For both groups, the intervention was delivered at home in nine 30-minute sessions over 3 weeks.The implicit training group participants received analogies meaningful to them that aimed to improve walking performance (eg, walk as if you are following footprints in the sand), whereas the explicit training group received detailed verbal instructions about how to alter aspects of their walking (eg, land with your heel first then roll through from heel to toe).Outcome measures: The primary outcome measure was 10-m gait speed, averaged over three trials, measured before and after intervention and at 1-month follow-up.Secondary outcome
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 | 0,019 | 0,184 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,010 | 0,002 |
| Intégrité de la recherche | 0,069 | 0,041 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,016 |
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 ».