Previous errorless sequence-learning promotes subsequent SRT performance in patients with Alzheimer's Disease
Notice bibliographique
Résumé
Motor-learning capacities are known to be relatively preserved in Alzheimer's disease (AD), which is crucial in the context of the patient’s autonomy (e.g., Rouleau et al., 2002). However, it is important to determine the most appropriate techniques for such learning. In AD, implicit or procedural rehabilitation techniques would be more effective to train new skills than explicit or declarative learning methods (van Halteren-van Tilborg, 2007). Maxwell et al. (2001) showed that reducing errors during motor learning minimizes the building of declarative knowledge and would allow implicit knowledge accumulation. If errorless learning induces the formation of an implicit knowledge, this technique appears to be adapted to the learning of a perceptual-motor skill in patients with impaired controlled processes. Very few studies have investigated errorless learning in procedural learning situations, even though some data suggest that errorless learning would be efficient for learning instrumental activities of daily living (e.g., Thivierge et al., 2008). In this study we examined the acquisition of a new perceptual-motor skill in 12 patients with AD and 12 healthy older adults. We compared the impact of two preliminary sequence learning conditions (errorless vs. errorful) on a serial reaction time (SRT) performance. In SRT, the subject must react as quickly as possible to the appearance of a target on a screen by pressing the key corresponding to the position of the stimulus. The effectiveness of learning is demonstrated by a reaction time improvement when the target follows a repeating sequence. For patients with AD, results confirm that the advantage provided by prior learning occurs only in the errorless condition whereas both learning modes improve SRT performance in healthy participants. In conclusion, these results confirm that the errorless learning promotes the development of implicit knowledge and appears to be an effective method for procedural learning in Alzheimer's disease.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».