Identifying optimal scheduling parameters for the application of motor imagery after physical practice to enhance learning
Notice bibliographique
Résumé
While it is thought that motor imagery (MI), the mental rehearsal of a motor task may enhance consolidation when applied after physical practice (PP), little is known about the optimal scheduling of when MI should be applied after PP to improve motor learning. Here, we explore the effects of time between PP and MI sessions within a single day of practice. Participants (N = 15) were randomized into two groups and engaged in PP of a shape-tracing task involving random and repeated shapes. Participants then performed MI either one hour (1HR group) or six hours (6HR group) after PP. Physical test blocks were administered in a pre/post/retention (~24 hours after practice) design, with error (px) used to measure performance. Effect sizes (Cohen’s d) were calculated to quantify motor learning (pre minus retention) for each shape type (random, repeated). Motor learning related to random shapes did not occur in either group, as evidenced by negligible effect sizes (6HR: MPRE = 214.17±50.58, MRET = 216.82±30.16, d =0.05; 1HR: MPRE = 224.74±25.79, MRET = 223.38±24.94, d =0.05). Motor learning related to repeated shapes occurred for both groups, the 6HR group learned to a greater extent as evidenced by a large vs. moderate effect size (6HR: MPRE = 214.63±38.13, MRET = 179.59±41.21, d =0.92; 1HR: MPRE = 211.77±28.54, MRET = 193.58±19.78, d =0.63). Findings suggest that a larger time period between PP and MI (within a single day) enhanced learning, overall informing scheduling of MI and PP to enhance motor learning.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| 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 ».