Identification des variables du contrôle référent lors de mouvements d’atteinte du bras chez des sujets sains et des sujets ayant subi un accident vasculaire cérébral
Bibliographic record
Abstract
La théorie du contrôle référent (RCT) explique la production d’un mouvement par le déplacement d’une configuration référente d’un membre (R) qui permet le recrutement des muscles selon la différence entre R et la configuration réelle du membre (Q). Des études récentes suggèrent qu’un croisement entre R et Q entraîne une minimisation de l’activité électromyographique (EMG minimum). Un grand nombre d’individus ayant subi un accident vasculaire cérébral (AVC) présente des déficits sensorimoteurs au niveau des membres supérieurs. La compréhension des mécanismes de contrôle neuronal sous-jacents à ces déficits est importante pour améliorer la récupération et l’efficacité thérapeutique. Ces déficits peuvent être identifiés à partir de la RCT. Notre objectif du premier projet pilote était de confirmer la présence d’EMG minima lors de mouvements d’atteinte du bras avec un renversement de la direction. Notre objectif du second projet était de déterminer si les déficits post-AVC au niveau des bras sont liés à un changement dans les paramètres de RCT. Nous avons mesuré l’EMG de huit muscles du bras lors de la production de mouvements d’atteinte dans trois directions différentes. Chez les jeunes adultes, la présence d’EMG minima a été identifiée dans plus de 90% des cycles de mouvements, peu importe la direction ou l’étendue du mouvement. Chez les participants post-AVC, la présence d’EMG minima a chuté à environ 17% des cycles de mouvements. Une différence entre les zones de production du mouvement n’a pas été observée. Ces résultats suggèrent que les participants post-AVC présentent un déficit dans la spécification de R lors des mouvements d'atteinte.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".