“Micro-offline gains” convey no benefit for motor skill learning
Notice bibliographique
Résumé
SUMMARY While practising a new motor skill, resting for a few seconds can improve performance immediately after the rest. This improvement has been interpreted as rapid offline learning 1,2 (“micro-offline gains”, MOG), supported by neural replay of the trained movement sequence during rest 3 . Here, we provide evidence that MOG reflect transient performance benefits, partially mediated by motor planning, and not replay-mediated offline learning. In five experiments, participants trained to produce a sequence of finger movements as many times as possible during fixed-duration practice periods. When participants trained during 10-second practice periods, each followed by a 10-second rest period, they produced more correct keypresses during training than participants who trained without taking breaks. However, this benefit vanished within seconds after the end of training, when both groups performed under comparable conditions, revealing similar levels of skill acquisition. This challenges the idea that MOG reflect offline learning, which, if present, should result in sustained performance benefits, compared to training without breaks. Furthermore, sequence-specific replay was not necessary for MOG, given that we observed persistent MOG when participants produced random sequences that never repeated, preventing any effect of (sequence-specific) replay on the performance. Importantly, we observed diminished MOG when participants could not pre-plan the first few movements of an upcoming practice period. We conclude that “micro-offline gains” represent short-lived performance benefits that are partially driven by motor pre-planning, rather than replay-mediated offline learning.
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».