Sensitivity to Instruction Strategies in Motor Learning Is Predicted by Anterior–Posterior TMS Motor Thresholds
Notice bibliographique
Résumé
Background: The impact of exogenous explicit knowledge on early motor learning is highly variable and may be influenced by excitability within the procedural sensorimotor network. Recent transcranial magnetic stimulation (TMS) studies suggest that variability in interneuron recruitment by anterior–posterior (AP) currents is linked to differences in functional connectivity between premotor and motor regions. Objectives: This study used controllable pulse parameter TMS (cTMS) to assess how AP-sensitive interneuron excitability interacts with explicit knowledge to influence motor learning. Methods: Seventy-two participants were grouped as AP-positive (n = 36) and AP-negative groups (n = 36) based on whether an AP threshold could be obtained before reaching maximal stimulator output. A narrow (30 µs) stimulus was employed to target the longest latency corticospinal inputs selectively. Participants then practiced a continuous visuomotor tracking task and completed a delayed retention test. Half of each group received explicit knowledge of a repeated sequence embedded between random sequences. Random sequence tracking performance assessed general sensorimotor efficiency; repeated sequence performance assessed sequence-specific learning. Results: Both AP30-positive participants, with and without explicit knowledge, and the AP30-negative without explicit knowledge demonstrated similar improvements in sensorimotor efficiency driven by offline consolidation. However, AP30-negative participants given explicit instruction exhibited significantly reduced improvement in sensorimotor efficiency, primarily due to impaired offline consolidation. Conclusions: These findings suggest that individuals with low excitability in long-latency AP-sensitive inputs may be more vulnerable to interference from explicit instruction. The current results highlight the importance of accounting for individual differences in interneuron excitability when developing instructional strategies for motor 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 | 0,005 |
| 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) | 0,003 | 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 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 ».