High intra-task and low inter-task correlations of motor skills in humans creates an individualized behavioural pattern
Notice bibliographique
Résumé
Our motor system allows us to generate an enormous breadth of voluntary actions, but it remains unclear whether and how much motor skill translates across tasks. For example, if an individual is good at gross motor control, are they also good at fine motor control? Previous research about the generalization across motor skills has been equivocal. Here, we compare human performance across five different motor skills. High correlation between task measures would suggest a certain level of underlying sensorimotor ability that dictates performance across all task types. Low correlation would suggest specificity in abilities across tasks. Performance on a reaching task, an object-hitting task, a bimanual coordination task, a rapid motion task and a target tracking task, was examined twice in a cohort of 25 healthy individuals. Across the cohort, we found relatively high correlations for different spatial and temporal parameters within a given task (16-53% of possible parameter pairs were significantly correlated, with significant r values ranging from 0.53 to 0.97) but relatively low correlations across different tasks (2.7-4.4% of possible parameter pairs were significantly correlated, with significant r values ranging from 0.53-0.71). We performed a cluster analysis across all individuals using 76 performance measures across all tasks for the two repeat testing sessions and demonstrated that repeat tests were commonly grouped together (16 of 25 pairs were grouped next to each other). These results highlight that individuals have different abilities across motor tasks, and that these patterns are consistent across time points.
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 | 0,001 | 0,000 |
| 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) | 0,005 | 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 ».