Precision of reaches and proprioception in motor control and adaptation
Notice bibliographique
Résumé
Abstract How do precision of movement and proprioception influence motor control and adaptation? Several theories—such as the exploration-exploitation hypothesis—propose that variability plays a key role in motor performance and learning. However, empirical measures of motor and proprioceptive precision are often limited by small sample sizes, and proprioceptive estimates, especially those relying on efferent signals, are difficult to isolate and quantify. In this study, we leveraged a large dataset of 270 participants—including a subsample of older adults (ages 54– 84)—to assess the precision of hand movements and proprioceptive estimates, and to examine whether these factors predict individual differences in motor learning and adaptation. We found that baseline reach variance did not predict learning or changes in hand localization. Although active hand localization (which includes efferent contributions) was slightly more precise—showing an 8.6% reduction in variance—this suggests that unseen hand estimates rely primarily on proprioception. Neither motor nor sensory precision varied with age. However, reach aftereffects were modestly associated with proprioceptive precision before training and proprioceptive recalibration after training. No other measure of learning or variance was reliably associated. These findings suggest that reach aftereffects may partly reflect changes in hand proprioception, but overall, we identified no predictors of adaptation to a rotated visual cursor.
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 | 0,000 |
| 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) | 0,000 | 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 ».