MétaCan
Menu
← Back to cohort
Record W2908786363 · doi:10.71781/26748

Caractéristiques des corrections automatiques assurant la précision spatiale d’un mouvement d’atteinte manuelle

2018· dissertation· fr· W2908786363 on OpenAlexfundno aff
J. Brière

Bibliographic record

VenueOpen MIND · 2018
Typedissertation
Languagefr
FieldMedicine
TopicMusculoskeletal pain and rehabilitation
Canadian institutionsnot available
FundersNatural Sciences and Engineering Research Council of Canada
KeywordsPhysicsHumanitiesArt

Abstract

fetched live from OpenAlex

Les tâches d’atteintes manuelles représentent probablement l’activité motrice la plus pratiquée par l’être humain. Les chercheurs ont longtemps pensé que l’impulsion motrice initiale de ce type de mouvement était balistique, qu’elle ne pouvait pas être modifiée en cours de route. Or, de récentes études suggéraient que tel n’était pas le cas et que cette première impulsion de mouvement pouvait être modulée de façon fluide sur la base des afférences visuelles. Pour étudier ce phénomène, plusieurs auteurs ont utilisé une tâche de pointage vidéo dans laquelle un curseur, représentant la main d’un participant, était déplacé vers une cible visuelle. Pour étudier de possibles mécanismes de correction du mouvement, la cible visée ou le curseur représentant la main du participant était quelques fois déplacé latéralement (par exemple 15 mm vers la droite) tôt après l’amorce. Afin d’atteindre la cible visée, le participant devait donc corriger le mouvement qu’il avait amorcé en fonction des nouvelles informations disponibles. Les études utilisant cette procédure de perturbation (« saut de cible » ou « saut de curseur ») montrent que les participants corrigeaient leur mouvement de façon fluide, et ce, malgré le fait qu’ils ne percevaient pas consciemment le saut de cible ou de curseur. En incorporant des sauts de curseur à différents endroits dans le mouvement, Saunders et Knill (2003) ont observé une latence de correction constante et courte, peu importe l’endroit où survenait la perturbation. Ils ont donc émis l’hypothèse que l’humain traite de façon continue les afférences visuelles relatives au déplacement de la main lors d’une tâche d’atteinte. Dans cette thèse, nous avons voulu déterminer les caractéristiques de ces corrections en ligne. Nos résultats indiquent: - Que deux perturbations successives n’entrent pas en conflit l’une avec l’autre. Plus spécifiquement, la présentation d’une seconde perturbation n’interfère pas avec le processus de correction mis en branle par la première perturbation. Ces résultats confirment la continuité du processus de traitement des afférences visuelles en cours de mouvement et, du même coup, la faible charge attentionnelle requise pour traiter l’information visuelle relative au déplacement du curseur et amorcer une correction appropriée. - Que de voir le curseur déplacé de sa trajectoire originale pour aussi peu que 16 ms est suffisant pour observer une modification du mouvement en cours de réalisation. De plus, la grandeur de la correction observée augmente lorsque la période de visibilité du curseur augmente suite à la perturbation. Nous avons utilisé ces résultats pour démontrer que le système nerveux central définissait la position perçue de la main sur la base d’une intégration spatiale de sa position au cours des 70 dernières millisecondes. - Que la latence de la correction n’est pas tributaire de la grandeur de la perturbation ou de là où elle survient dans la trajectoire du mouvement. Cependant, le gain de cette correction est, lui, fonction de la grandeur de la perturbation. Ces observations suggèrent que l’amorce de la correction relève d’une comparaison entre la trajectoire de mouvement planifiée par l’individu et la trajectoire observée. Le gain de la correction serait plutôt fonction de la position perçue de la main et des caractéristiques de la cible à atteindre (position et dimension). En conclusion, l’ensemble des résultats de cette thèse montre une efficacité impressionnante du système visuel de détection et de correction des erreurs. Un système rapide et précis qui, toutefois, ne requiert pas une grande demande attentionnelle. Ces caractéristiques témoignent de la grande efficacité qu’à l’humain d’atteindre des objets grâce, en partie, à un mode de contrôle en continue de la progression de ses mouvements.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.014
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.030
Threshold uncertainty score0.102

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.014
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0000.001
Bibliometrics0.0020.002
Science and technology studies0.0010.001
Scholarly communication0.0020.002
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0300.006

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.

Opus teacher head0.021
GPT teacher head0.350
Teacher spread0.329 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2018
Admission routes1
Has abstractyes

Explore more

Same venueOpen MIND→Same topicMusculoskeletal pain and rehabilitation→French-language works237,207→