Motor sequences; separating the sequence from the motor. A longitudinal rsfMRI study
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
In motor learning, sequence specificity, i.e. the learning of specific sequential associations, has predominantly been studied using task-based fMRI paradigms. However, offline changes in resting state functional connectivity after sequence-specific motor learning are less well understood. Previous research has established that plastic changes following motor learning can be divided into stages including fast learning, slow learning and retention. A description of how resting state functional connectivity after sequence-specific motor sequence learning (MSL) develops across these stages is missing. This study aimed to identify plastic alterations in whole-brain functional connectivity after learning a complex motor sequence by contrasting an active group who learned a complex sequence with a control group who performed a control task matched for motor execution. Resting state fMRI and behavioural performance were collected in both groups over the course of 5 consecutive training days and at follow-up after 12 days to encompass fast learning, slow learning, overall learning and retention. Between-group interaction analyses showed sequence-specific decreases in functional connectivity during overall learning in the right supplementary motor area (SMA). We found that connectivity changes in a key region of the motor network, the superior parietal cortex (SPC) were not a result of sequence-specific learning but were instead linked to motor execution. Our study confirms the sequence-specific role of SMA that has previously been identified in online task-based learning studies, and extends it to resting state network changes after sequence-specific MSL.
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 | 0,005 |
| 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 | 0,001 | 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) | 0,000 | 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