MétaCan
Menu
Retour à la cohorte
Enregistrement W4401906885 · doi:10.1523/eneuro.0021-23.2024

Measures of Implicit and Explicit Adaptation Do Not Linearly Add

2024· article· en· W4401906885 sur OpenAlexafffund
Bernard Marius ’t Hart, Urooj Taqvi, Raphael Q. Gastrock, Jennifer E. Ruttle, Shanaathanan Modchalingam, Denise Y. P. Henriques

Notice bibliographique

RevueeNeuro · 2024
Typearticle
Langueen
DomaineNeuroscience
ThématiqueMotor Control and Adaptation
Établissements canadiensUniversity of WaterlooYork University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésAdaptation (eye)Computer scienceCognitive psychologyMotor learningField (mathematics)Movement (music)Measure (data warehouse)PsychologyMathematicsNeuroscienceData mining

Résumé

récupéré en direct d'OpenAlex

Moving effectively is essential for any animal. Thus, many different kinds of brain processes likely contribute to learning and adapting movement. How these contributions are combined is unknown. Nevertheless, the field of motor adaptation has been working under the assumption that measures of explicit and implicit motor adaptation can simply be added in total adaptation. While this has been tested, we show that these tests were insufficient. We put this additivity assumption to the test in various ways and find that measures of implicit and explicit adaptation are not additive. This means that future studies should measure both implicit and explicit adaptation directly. It also challenges us to disentangle how various motor adaptation processes do combine when producing movements and may have implications for our understanding of other kinds of learning as well (data and code: https://osf.io/3yhw5).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,151
Score d'incertitude au seuil0,282

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,069
Tête enseignante GPT0,271
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueeNeuroMême sujetMotor Control and AdaptationTravaux en français237 207