Individual variability in sensorimotor learning reflects trait-like neurobehavioral subject factors
Notice bibliographique
Résumé
Models of Human motor behaviour often emphasize the computations performed by the motor system during learning. Yet, there is an emerging consensus that the learning of even simple motor actions can be augmented by sophisticated cognitive strategies, which rely upon executive functions implemented throughout the cortex. These executive functions, in turn, have been linked to stable subject differences in intrinsic brain organization function, observable even during rest. Here we show, using behavioural studies in humans, that individual differences in the rate of sensorimotor adaptation are linked to differences in executive function, as assessed using the classic trail-making task. Secondly, using separate train and test functional MRI datasets, we show that specific patterns of resting-state functional connectivity between higher-order cognitive brain networks, which have been previously linked to executive function, subsequently predict more rapid learning during sensorimotor adaptation. Importantly, this relationship was unique to cognitive brain networks, as the functional connectivity between sensorimotor brain networks did not predict subsequent motor learning performance. Together, these findings suggest that individual differences in motor learning reflect, to a substantial degree, trait-like subject differences in cognitive brain network structure. This perspective invites broader consideration as to the origins of motor learning ability, and links motor performance to an expansive literature implicating the coordinated functioning of the default mode, ventral attention, and frontoparietal networks in flexible behavioral control.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 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 ».