Investigating the motor strategies involved in handwriting and recall of unfamiliar text
Notice bibliographique
Résumé
Repetitive writing is an effective strategy for enhancing recognition memory for unfamiliar texts, possibly because the involvement of sensorimotor networks during writing strengthens the spatial cognitive networks utilised for word recognition. However, the relative contribution of visual feedback and motor processes to the recognition benefit remains unclear. In this study, we examine whether the nature of the visual information presented during writing influences later recognition of unfamiliar texts. In an initial encoding phase, participants encoded a list of 8 words in an unfamiliar text (i.e., Arabic). Participants then performed a pre-test where they attempted to identify each previously encoded word in a three-alternative-forced choice task. Participants then underwent an acquisition phase where they wrote a portion of the encoded words (trained words) in four counterbalanced conditions: observational writing (OW), then active handwriting either with full visual feedback (A), without visual feedback of their writing (e.g., active no-ink or ANI), or without visual feedback of the environment (ANVE). To determine the effects of this training, participants performed a post-test that was identical to the pre-test. Recognition accuracy (# correct responses) was computed for both the pre- and post-tests. Accuracy differences between conditions were assessed using a four (condition) by two (pre/post) repeated measures ANOVA. Recognition accuracy increased from the pre-test to the post-test after training in all conditions for trained, but not untrained words. These results provide evidence that both active writing and passive observation improved recall of unfamiliar text.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».