Physical exercise and motor learning: A scoping review
Notice bibliographique
Résumé
Abstract Physical exercise can enhance motor learning by inducing neurophysiological changes that facilitate this process. This preregistered scoping review aimed to map current knowledge on the effects of physical exercise on motor learning. Experimental studies and review articles examining any form of physical exercise in healthy or clinical populations were included, with outcomes assessing motor skill acquisition and/or retention. A systematic search across eight databases (e.g., MEDLINE, EMBASE, PsychINFO) identified 66 sources, including 62 experimental studies and 4 reviews. Two researchers independently reviewed articles and extracted data using a pretested data extraction table; disagreements at the study selection or data extraction stages were resolved through discussion with a third researcher. Most studies involved healthy populations (83%), with clinical populations underrepresented (17%). Aerobic exercise was most commonly investigated, particularly lower-limb cycling (73%), while resistance exercise was rarely examined (0.6%). Exercise intensity was predominantly high, although 6% of studies reported intensity not reflecting the prescribed method. Motor learning outcomes varied: 55% assessed both skill acquisition and retention, while 45% relied on retention tests alone at short-term or delayed time points, or both. Infrequent use of long-term retention tests limits understanding of lasting effects. Overall, this review highlights gaps in the literature, including the underrepresentation of clinical populations, inconsistent reporting of exercise intensity, scarce research on resistance exercise, and limited assessment of long-term retention, which may affect interpretation of exercise’s impact on motor learning. Highlights Clinical populations were underrepresented in the exercise and motor learning field. High-intensity lower-limb cycling was the most common exercise studied. Resistance exercise was underrepresented in the field. Accurate prescription of exercise intensity is essential to ensure reliable results. Future research should more frequently use longer-term retention tests.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».