Motor Sequence Learning Involves Better Prediction of the Next Action and Optimization of Movement Trajectories
Notice bibliographique
Résumé
Learning new sequential movements is a fundamental skill for many animals. Motor sequence learning may arise from three distinct processes: (1) improved execution of individual movements independent of their sequential context; (2) enhanced anticipation of “what” movement should be executed next, enabling faster initiation; and (3) the development of motoric sequence-specific representations that encode “how” movements should be optimally performed within a sequence. However, many existing paradigms conflate the “what” and “how” components of learning, as participants often acquire both the sequence content (what to do) and its execution (how to do it). This overlap obscures the distinct contributions of each mechanism to motor sequence learning. In this study, we disentangled these mechanisms in a continuous reaching task by varying how many upcoming targets were visible. When participants ( n = 14, 8F) could only see one future target, improvements were mostly due to them learning which target would come next. When they could see four future targets, participants immediately demonstrated faster movement times and increased movement smoothness, surpassing late-stage performance in the one-target condition. Crucially, even with full visibility of future targets, participants showed further sequence-specific learning driven by a continuous optimization of movement trajectories. Follow-up experiments ( n = 42, 21F) revealed that the learned sequence representations did not generalize in extrinsic coordinates across limbs and encoded contextual information of four movements or longer. Our paradigm dissociates between the “what” and “how” components of motor sequence learning and provides evidence for the development of motoric sequence representations that guide optimal movement execution.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».