Implicit processes do not contribute to learning to reach in small mirror reversed environments
Notice bibliographique
Résumé
Abstract Learning to reach with a small visuomotor rotation (VR; a rotation of visual feedback relative to hand motion) has been shown to arise unconsciously (i.e., implicitly). Whether the same processes support learning in a small mirror reversal (MR), where feedback is reflected across the body midline, remains unknown. To address this gap, we asked whether implicit processes contribute to learning in a small MR. Forty-two right-handed participants reached to targets located 10° to the left and right of body midline using a Kinarm exoskeleton robot. Half of the participants experienced a VR distortion (VR group), which consisted of a 20° clockwise or counterclockwise cursor rotation. The remaining participants experienced a 20° MR distortion (MR group), where cursor feedback was reflected across body midline (y-axis). Following reaches with a VR or MR distortion, participants completed assessment trials in which they reached in the absence of cursor feedback to assess implicit learning. Analysis of angular errors (AE) revealed that all participants in the VR group learned to reach with the VR distortion, however, only 55% of MR participants learned to reach with the MR distortion. AEs on the no-cursor trials revealed that only the VR group engaged in implicit learning. These findings demonstrate that MR learning, even when small MR distortions are introduced, is not supported by implicit learning. The absence of implicit learning in MR provides evidence that MR is a different form of learning (i.e., skill acquisition) compared to VR learning (i.e., motor adaptation).
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».