Une nouvelle étude a examiné les résultats des données générées par des scientifiques citoyens à l'aide d'un straightforward examination moteur basé sur le World-wide-web. L’approche Huge Knowledge offre aux chercheurs un moyen one of a kind d’explorer remark les gens corrigent les erreurs de contrôle moteur. Les connaissances qui en résulteront pourraient un jour ouvrir la voie à une thérapie physique personnalisée ou adapter la routine d'entraînement d'un athlète. Les résultats sont disponibles dans le numéro du 30 janvier de la revue Mother nature Human Conduct.
« Cette approche exploratoire ne remplace pas les études en laboratoire, mais les complète, en se demandant si le comportement moteur peut se généraliser à l'ensemble de la population », a déclaré Jonathan Tsay, professeur adjoint au département de psychologie de l'université Carnegie Mellon et premier auteur de l'short article. « Je vois cette approche à grande échelle comme un moyen de démocratiser la recherche sur l'apprentissage moteur. »
Traditionnellement, les scientifiques en apprentissage moteur étudiaient remark les gens acquéraient des compétences motrices en laboratoire à l'aide d'équipements coûteux pour capturer les changements subtils dans le mouvement d'une personne en réponse à des erreurs de mouvement. Ces études impliquent souvent un petit nombre de members. On disregard si ces résultats se généralisent à une inhabitants as well as massive.
Tsay souhaitait explorer les capacités motrices sous un nouvel angle, en utilisant le Massive Info. Pour recueillir les données, il a développé une évaluation straightforward de l'apprentissage moteur que les gens pouvaient effectuer en ligne dans le confort de leur foyer. Le résultat est un ensemble de données de plus de 2 000 classes provenant d’une populace de members diversifiée.
L'étude peut également évaluer différents processus sous-jacents à l'apprentissage moteur, c'est-à-dire la contribution relative de l'apprentissage moteur subconscient et implicite et de l'apprentissage moteur conscient et explicite. Grâce aux données disponibles, Tsay a pu examiner comment les variables démographiques affectent la contribution relative de ces deux styles d’apprentissage.
Le court exam à domicile a duré approximativement huit minutes, contre une expérience normale de 80 minutes en laboratoire. De nombreux participants se sont reconnectés et ont contribué à plusieurs sessions dans la base de données, permettant à l'équipe de recherche de suivre efficacement les changements dans l'apprentissage moteur.
Le potentiel du Large Facts réside dans une meilleure compréhension des variables, comme le sexe, l’âge, la déficience visuelle et même l’expérience des jeux vidéo, qui peuvent avoir un effect sur l’adaptation motrice.
Tsay cite l’âge comme exemple. Il peut sembler évident que l’âge serait un facteur vital affectant l’adaptation motrice, mais l’effet de l’âge a été mitigé dans les études en laboratoire. La confusion peut être owing en partie à la petite taille de l’échantillon et à l’accent mis sur les groupes d’âge extrêmes (très jeunes et très âgés).
Grâce au Large Info, Tsay et ses collègues ont pu examiner l’âge en tant que variable continue. Les résultats ont montré comment les participants modifiaient leurs stratégies pour corriger une erreur motrice tout au extended de la vie, l'adaptation culminant entre 35 et 45 ans. Ces diversifications ont été manquées par des études antérieures portant uniquement sur un échantillon limité.
« En utilisant l'apprentissage automatique et d'autres strategies, pour prédire qui réussirait dans l'apprentissage moteur et quelles propriétés (vitesse de mouvement et temps de réaction) sont de bons prédicteurs du succès dans l'apprentissage moteur au cours d'une séance », a déclaré Tsay. « Les résultats que nous avons trouvés grâce à cette méthode exploratoire de données massives peuvent être ramené au laboratoire pour faire davantage d'hypothèses pour trouver le mécanisme derrière la découverte que nous voyons en ligne.
La very simple tâche d’apprentissage moteur n’a pu prédire qu’environ 15% de la variance dans l’étude, ce qui limite les informations pouvant être tirées de ces résultats. De in addition, la tâche motrice n'a pas été réalisée sous la supervision d'un expérimentateur ni sous contrôle spécifique de paramètres, tels que le kind de technologie et la vitesse d'World-wide-web, qui augmentaient le bruit dans les données. Malgré ces limites, Tsay croit toujours que cette approche à grande échelle est able d'examiner cette variabilité de manière détaillée, tirant ainsi des informations qui peuvent être précieuses pour la communauté de la recherche automobile.
« De très nombreuses questions en psychologie se prêtent à des exams en ligne, mais il existe peu d'études motrices », a déclaré Richard Ivry, professeur distingué de psychologie à l'Université de Californie à Berkeley et co-auteur de l'étude. « L'étude NatHumBehav renforce encore notre confiance dans le fait que les études en ligne peuvent être très significatives pour étudier le contrôle moteur, et je sais que de nombreux laboratoires à travers le monde ont profité de ces outils. »
Tsay et Ivry ont été rejoints par Hrach Asmerian et Ken Nakayama de l'Université de Californie à Berkeley, Laura Germine de la Harvard Health care College et Jeremy Wilmer du Wellesley University dans le cadre de l'étude intitulée « La science citoyenne à grande échelle révèle des prédicteurs de l'adaptation sensorimotrice ». L'étude a reçu un financement de l'Institut nationwide de la santé, de l'Institut nationwide des troubles neurologiques et des accidents vasculaires cérébraux.
