WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Apprentissage implicite de régularités: Mise en évidence d'une différence d'apprentissage entre tâches motrices continues et discrètes

( Télécharger le fichier original )
par Stéphanie Chambaron Ginhac
Université de Bourgogne - Doctorat 2005
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

La précision d'anticipation est-elle la même dans les deux types de tâches ?

Un autre aspect important à considérer concerne la capacité des sujets à anticiper les changements de direction de la cible. Une précision d'anticipation suffisante est nécessaire pour permettre un apprentissage dans la tâche de poursuite. La qualité de précision exigée n'est pas la même selon ce que l'on cherche à mesurer. En effet, pour améliorer sa performance, il faut être capable d'anticiper très exactement, très précisément à la fois le moment et l'endroit où la cible va changer de direction. Au contraire, il semble tout à fait probable de pouvoir reconnaître des séquences en ayant seulement une vision plus

« grossière » du trajet effectué par la cible. C'est exactement ce que reflètent les résultats obtenus dans les diverses expériences de poursuite réalisées tout au long de cette thèse. Nous

ne sommes jamais parvenus à mettre en évidence un apprentissage du segment répété alors

que les résultats issus des différents tests de reconnaissance tendent à montrer une

reconnaissance du segment déjà vu (cf. Chapitre 4).

Nous nous apercevons qu'au contraire des tâches de poursuite continue, une tâche de TRS (quelles que soient les modifications introduites) reste une tâche dans laquelle la précision d'anticipation requise est bien plus faible à la fois sur le plan spatial et sur le plan temporel. En effet, dans ce type de tâche, du point de vue spatial, le nombre de positions potentielles de la cible est limité (alors qu'il est infini dans une tâche continue). Du point de vue temporel, la durée d'apparition de la cible à l'écran ainsi que l'intervalle inter stimuli sont fixes impliquant une périodicité très précise des changements de direction (alors que le rythme des changements de direction n'est pas constant dans une tâche continue). Ce rythme imposé et constant facilite la précision d'anticipation dans les tâches de TRS, rendant plus facile la traduction d'une connaissance dans la performance motrice. Nous avons vu que dans toutes les expériences de TRS présentées dans le Chapitre 5 nous sommes parvenus sans difficulté à mettre en évidence l'existence d'un tel apprentissage. Toutes ces expériences reposent sur le même rythme régulier d'apparition de la cible (à savoir une durée d'apparition

à l'écran de 600 ms et un intervalle inter stimuli de 200 ms). Il serait intéressant de tester si ce rythme d'apparition a un réel impact sur la précision d'anticipation et donc sur l'apprentissage. Une idée consisterait à réaliser une tâche de TRS dans laquelle l'intervalle inter stimuli serait variable, allant par exemple de 200 à 800ms, impliquant que les participants ne pourraient plus prédire « exactement » mais « à peu près » l'instant d'apparition de la cible à l'écran. Il serait judicieux d'envisager une telle perspective dans des travaux futurs.

Bien qu'il ne soit pas possible aujourd'hui de fournir une réponse unanime pour expliquer la différence d'apprentissage existant entre les tâches continues et les tâches discrètes, l'ensemble des travaux réalisés au travers de cette thèse a cependant largement contribué à délimiter plus clairement un certain nombre de situations dans lesquelles l'apprentissage est possible de celles dans lesquelles il ne l'est pas. Dans le même temps, ces travaux constituent un apport dans la littérature restreinte de l'apprentissage moteur implicite

et enrichissent le débat « discret / continu », en ouvrant la voie vers de nouvelles perspectives

de recherche.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Piètre disciple, qui ne surpasse pas son maitre !"   Léonard de Vinci