Plasticité fonctionnelle du cerveau et apprentissage moteur
Bibliographic record
Abstract
Cet article résume les résultats d’une série d’études effectuées dans notre laboratoire pour élucider les substrats anatomiques impliqués dans l’apprentissage de nouvelles séquences de mouvements via les techniques de neuro-imagerie, particulièrement l’imagerie par résonance magnétique fonctionnelle. Après une brève description du modèle que nous avons mis au point et qui a guidé nos travaux sur la caractérisation de la plasticité cérébrale systémique associée à l’acquisition d’habiletés motrices, nous décrivons les changements fonctionnels dynamiques du cerveau régulièrement observés lors des phases rapide, lente, et d’automatisation de l’apprentissage d’une séquence motrice et nous clarifions le rôle joué par le putamen (qui fait partie des noyaux gris centraux), le cervelet et leurs régions corticales motrices associées, dans ce type de mémoire. Finalement, nous rapportons les données d’autres expériences qui démontrent que, suite à la pratique d’une séquence de mouvements, le sommeil lent (et les fuseaux au stade 2 en particulier) contribue au processus de consolidation de la trace mnésique motrice qui a été formée, et que ce phénomène est dépendant d’une augmentation de l’activité neuronale dans le striatum et l’hippocampe.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".