MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017164234
■00520250211152937
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346759720
■035    ▼a(MiAaPQ)AAI31563831
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a152
■1001  ▼aVelazquez  Vargas,  Carlos  Alan.▼0(orcid)0000-0001-7010-1219
■24510▼aBuilding  Novel  Action-Outcome  Mappings  for  Sequential  Motor  Skills.
■260    ▼a[S.l.]▼bPrinceton  University.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a149  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Taylor,  Jordan  A.;Daw,  Nathaniel  D.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2024.
■520    ▼aUnderstanding  how  humans  acquire  novel  motor  skills  is  a  central  topic  in  motor  learning  research.  However,  much  of  the  work  in  this  field  has  focused  on  adaptation  experiments,  leaving  other  key  aspects  of  de  novo  skill  acquisition  less  explored.  For  many  de  novo  skills,  individuals  must  learn  new  associations  between  discrete  actions  and  arbitrary  outcomes.  This  is  evident  in  digital  devices  like  video  games,  where  pressing  buttons  on  a  controller  can  make  a  character  jump  or  run.  These  action-outcome  mappings  are  fundamental  to  the  formation  of  the  new  skill.  Therefore,  understanding  how  they  are  learned  and  consolidated  is  essential  for  advancing  our  knowledge  of  motor  skill  acquisition  and  its  application  to  various  domains,  from  gaming  to  real-world  tool  use.In  Chapter  2,  using  a  task  of  grid  navigation,  I  study  how  these  action-outcome  mappings  are  acquired  and  examine  the  role  of  training  variability  in  the  formation  of  generalizable  mappings.  Crucially,  when  a  novel  mapping  is  being  learned,  it  often  occurs  within  the  context  of  sequential  decision-making,  allowing  the  interaction  of  motor  learning  and  planning.  In  Chapter  3,  I  investigate  this  interaction  with  the  aim  of  bridging  the  gap  between  motor  sequence  learning  and  planning  research.  Finally,  in  Chapter  4,  I  study  the  effectiveness  of  external  contextual  cues  in  the  learning  of  multiple  mappings,  which  have  proven  unsuccessful  in  standard  motor  adaptation  experiments.  The  behavioral  results  from  each  chapter  of  this  dissertation  are  complemented  by  computational  models  that  integrate  algorithms  from  reinforcement  learning,  tree  search,  and  Bayesian  learning.  These  models  aim  to  provide  insights  into  the  cognitive  processes  underlying  participants'  performance.
■590    ▼aSchool  code:  0181.
■650  4▼aExperimental  psychology.
■650  4▼aPsychobiology.
■650  4▼aBioinformatics.
■650  4▼aQuantitative  psychology.
■650  4▼aCognitive  psychology.
■653    ▼aMotor  learning
■653    ▼aMotor  skills  
■653    ▼aAdaptation  experiments
■653    ▼aNovel  mapping
■653    ▼aMotor  sequence  learning
■690    ▼a0623
■690    ▼a0632
■690    ▼a0349
■690    ▼a0633
■690    ▼a0715
■71020▼aPrinceton  University▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164234▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서