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

5.5 Discussion sur les expériences 5, 6 et 7

Une comparaison entre les performances obtenues dans les tâches de poursuite continue

et les performances obtenues en utilisant les paradigmes conventionnels de TRS suggère que l'apprentissage est plus difficile à obtenir dans les situations continues que dans les situations discrètes. L'expérience 5 avait pour objectif d'étudier si cette divergence entre ces deux situations pouvait être due à une différence dans la procédure. En effet, dans les tâches classiques de TRS, la séquence répétée est continuellement cyclée, alors que dans les tâches

de poursuite continue telles que nous les avons explorées, le segment répété est entouré par un grand nombre d'essais aléatoires. Les résultats obtenus dans notre première expérience montrent qu'une amélioration sélective des performances est obtenue lorsque l'on modifie la procédure d'une tâche de TRS standard et que l'on mêle la séquence répétée au milieu de séquences aléatoires. Des études antérieures (Curran, 1997; Meulemans et al., 1998; Stadler,

1993) ont également mis en évidence un tel apprentissage lorsque la séquence répétée était

Discussion sur les expériences 5, 6 et 7 91

entourée par des essais aléatoires, mais dans leurs expériences, le nombre d'essais aléatoires

était plus faible que celui utilisé dans notre expérience.

Les expériences 6 et 7 se sont quant à elles focalisées sur des différences, en terme de paramètres, qui existent entre tâches continues et tâches discrètes. L'expérience 6 a étudié l'influence du périphérique utilisé (clavier versus souris) sur les performances dans une tâche classique de TRS. Les périphériques d'entrée sont des outils qui permettent au sujet d'interagir avec le système. Un bon périphérique doit posséder plusieurs critères, comme une vitesse de déplacement aisée, une bonne précision, des caractéristiques ergonomiques évitant une fatigue trop rapide de l'utilisateur, ainsi qu'un apprentissage d'utilisation rapide. Pour classer les différents périphériques existants, il existe dans la littérature une taxonomie établit selon différents critères. Dans l'ordre chronologique, nous trouvons les approches proposées

par organisé (1983), Mackinlay, Card & Robertson (1990) et Lipscomb & Pique (1993). Les classifications de ces différents auteurs permettent de clarifier les différences et les similitudes

qui existent entre des périphériques tels que la souris, le joystick, la tablette graphique et le stylet, l'écran tactile,.... Cependant, il ne ressort de ces taxonomies aucune donnée concernant

les propriétés du clavier. Les résultats de notre seconde expérience indiquent que les sujets apprennent de la même manière les régularités présentes dans la séquence qu'ils utilisent un clavier ou une souris pour répondre à l'apparition de la cible sur l'écran. Toutefois, nous avons noté que les sujets assignés au groupe « souris » obtiennent des temps de réaction un peu plus élevés que les participants du groupe « clavier ». De tels résultats peuvent s'expliquer par le fait que les sujets utilisant la souris doivent d'abord la déplacer afin d'atteindre la cible puis cliquer dessus, ce qui leur demande un peu plus de temps. Cependant, leurs performances suivent le même pattern d'évolution que celui des sujets utilisant un clavier. Par conséquent, les résultats de l'expérience 6 invalident notre hypothèse puisque nous nous apercevons que les sujets apprennent de la même manière quel que soit le périphérique utilisé.

Une autre différence que nous avons notée entre les tâches de poursuite continue et les tâches de TRS concerne la précision requise dans chacune d'entre elles. En effet, généralement, les tâches de TRS sont définies comme des « tâches de vitesse » dans lesquelles les sujets ont pour consigne de réagir à l'apparition d'une cible en appuyant aussi vite que possible sur une touche du clavier qui correspond spatialement à la position de la

cible sur l'écran. Au contraire, dans les tâches de poursuite continue, l'important est que les

sujets positionnent le pointeur de souris le plus précisément possible à l'intérieur d'une cible mouvante. Afin de tester ce paramètre, une contrainte de précision a été introduite dans une tâche standard de TRS : les sujets devaient positionner le pointeur de souris sur une cible de petite taille pouvant apparaître dans une des quatre positions possibles sur l'écran et cliquer dessus afin de la faire disparaître. Le fait que la cible soit de petite taille forçait les participants à être précis. De ce fait, ils devaient à la fois être rapides et précis, comme c'est le

cas dans une tâche de poursuite continue. Malgré l'ajout de cette contrainte de précision, les résultats indiquent une augmentation des temps de réaction sur le bloc de transfert suivie par

un retour des temps de réaction à leurs niveaux les plus bas sur les deux derniers blocs, ce qui reflète l'apprentissage de la séquence. Là encore, notre hypothèse est invalidée puisque l'apprentissage implicite est préservé, même si une contrainte de précision est ajoutée à une tâche classique de TRS.

Le but principal des recherches effectuées dans le présent chapitre est de comprendre pourquoi les sujets sont capables de tirer bénéfice de la répétition de la structure dans une tâche discrète alors qu'ils en sont incapables dans une tâche continue. Par conséquent, le fait d'être capable, implicitement, de localiser les régularités dans une situation mais pas dans une autre n'est pas simplement dû à des différences dans la méthode ou dans les paramètres. C'est pourquoi, dans les expériences qui suivent, nous allons nous focaliser plus sur la nature des tâches elles-mêmes, afin de trouver une explication à cette divergence.

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








"Le doute est le commencement de la sagesse"   Aristote