Right and left-handed pitch-type recognition among hitters and pitchers in baseball: Testing the motor simulation hypothesis
Notice bibliographique
Résumé
Both visual and motor experiences impact action prediction, yet through potentially different mechanisms. Having physical experience with an action is thought to engage motor simulative processes, potentially activating the watcher’s motor system in an effector-specific manner, aiding prediction. Leveraging baseball’s unique specialization demands, we assessed pitch discrimination in athletes with predominantly visual experience seeing pitches (hitters, n = 41; 7 = left-handed hitters) and motor experience producing pitches (pitchers, n = 42; 9 = left-handed). Videos of right-handed (RH) pitches, with temporal occlusion applied at or after ball release, of three different pitches, were used to assess pitch prediction accuracy. Two versions of each video clip were shown; the original RH clips were “flipped” to make the pitcher appear to throw left-handed (LH). Pitchers and hitters had reliable responses and showed high accuracy (~70%) and discriminability. Pitchers were more discriminatory than hitters when contrasting two pitch types with the same initial trajectory and speed, but different postural cues (curveballs and changeups; d’ pitchers = 2.18, hitters = 1.88). Although there was the predicted interaction for the pitchers when comparing LH and RH pitchers watching LH and RH videos (p<.05), only LH pitchers showed a trend for a same-side, LH video advantage (p=.06). Because pitchers did not differ in accuracy from hitters, despite a lack of visual experience seeing and responding, this suggests that their motor experience aided predictions. However, there was only partial support for a simulation explanation based on effector specificity (due to absence of any differences in RH pitchers).
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 | 0,001 |
| 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) | 0,001 | 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 ».