Are observed effects of movement simulated during motor imagery performance?
Notice bibliographique
Résumé
Motor learning relies on adjusting the performance of movements via error detection and correction. How motor learning proceeds via motor imagery, the imagination of movement, is not understood. Motor imagery-based learning is thought to rely on comparing the predicted effect of movement, resulting from the forward model, against its intended effect. Whether motor imagery-based learning uses the observed effect of movement, simulated in motor imagery, to make comparisons to the intended effect to permit error detection and correction, is an open question. To address this, transcranial magnetic stimulation was used to inhibit the left inferior parietal lobe (L_IPL) after each trial of a task requiring participants to reproduce complex trajectories via motor imagery. From past work, we speculated the L_IPL was a candidate for integrating simulated feedback about task performance (simulated observed effects), hypothesizing inhibition of the L_IPL would impair learning, suggesting simulated observed effects of movement are used in motor imagery-based learning. Participants received stimulation to the L_IPL or over the vertex of the head after each trial. Learning was defined as reduced error on a repeated trajectory in comparison to randomly generated trajectories. Regardless of group participants learned, a finding countering our hypothesis, suggesting (a) observed effects of movement are not simulated in motor imagery; (b) the L_IPL is not involved in integrating simulated observed effects of movement; or (c) the timing of the stimulation did not align with the speculated role of the L_IPL. Results encourage further research probing simulated feedback in motor imagery and its neural correlates. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».