MétaCan
Menu
← Retour à la cohorte
Enregistrement W4415626502 · doi:10.1073/pnas.2509233122

Micro-offline gains do not reflect offline learning during early motor skill acquisition in humans

2025· article· en· W4415626502 sur OpenAlexafffund
Anwesha Das, Alexandros Karagiorgis, Jörn Diedrichsen, Max‐Philipp Stenner, Elena Azañón

Notice bibliographique

RevueProceedings of the National Academy of Sciences · 2025
Typearticle
Langueen
DomaineNeuroscience
ThématiqueMotor Control and Adaptation
Établissements canadiensWestern University
Organismes subventionnairesCanada First Research Excellence FundVolkswagen FoundationDeutsche Forschungsgemeinschaft
Mots-clésMotor learningMetric (unit)Incidental learningOnline and offlineOffline learningDreyfus model of skill acquisitionDuration (music)

Résumé

récupéré en direct d'OpenAlex

While practicing a new motor skill, resting for a few seconds can improve performance immediately after the rest. This improvement, referred to as "micro-offline gains" (MOGs), has been interpreted as rapid offline learning and is thought to be supported by neural replay of the trained movement sequence during rest. Here, we provide evidence that MOGs reflect only transient performance benefits, partially mediated by motor planning, and not offline learning. In five experiments, participants trained to produce a sequence of finger movements as many times as possible. When participants trained during 10-s practice periods, interleaved with 10-s rest periods, they produced more correct keypresses during training than participants who trained continuously without taking breaks. However, this benefit vanished within seconds after training, when both groups performed under comparable conditions, revealing similar levels of skill acquisition. This challenges the idea that MOGs reflect offline learning, which, if present, should result in sustained performance benefits, compared to training without breaks. Furthermore, we observed persistent MOGs even when participants produced random, nonrepeating sequences, indicating that MOGs do not relate to the offline consolidation of a sequence-specific memory. Rather, sequence-specific learning was only evident online, during practice. Finally, MOGs were diminished when participants could not preplan the first few movements of an upcoming practice period. Our results suggest that MOG are simply an effect of slowing during practice, combined with the possibility of preplanning the initial movements after rest, and therefore do not serve as a reliable metric for offline learning or skill-related consolidation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,326
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the National Academy of Sciences→Même sujetMotor Control and Adaptation→Travaux en français237 207→