Effects of tool use and perturbation during motor adaptation on hand localization
Notice bibliographique
Résumé
Our brain has a remarkable capacity for learning movements and adapting them to accomplish a motor goal. In many adaptation studies, participants move in a 2D plane while their hand is represented by a cursor. When visual feedback of hand position is misaligned, people can quickly compensate for this perturbation, show persistent reach aftereffects, and even misestimate the location of the unseen hand in the direction of previous visual training. However, it is unknown how well this generalizes to real-world settings or to the tools we use every day. Here we will use immersive virtual reality to test if end-effector shifts are also observed in more naturalistic virtual reality environments and if they extend to tools as end effectors. In Study 1, we replicated our previous work where we found shifts in end-effector localization after adapting reach movements to a 30° visuomotor rotation of the hand, showing a similar magnitude of both shifts in unseen hand location and reach aftereffects following training to the perturbation in the VR environment. In the next condition (Study 2), we extend this paradigm to investigate how well people can adapt when aiming with a common tool, like a pen, and whether the tool location is also recalibrated. We will measure the extent that the unseen location of hand-held tool, as well as the hand (in separate trials) recalibrates with adaptation. Our results will provide insight into the adaptative processes involved when learning to wield tools in more complicated, realistic environments.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».