Une étude récente a utilisé le Big Data pour améliorer la compréhension de l’apprentissage moteur, révélant des informations clés sur l’impact de l’âge, du sexe et d’autres facteurs sur le contrôle moteur. Cette approche offre une perspective nouvelle, complétant la recherche traditionnelle en laboratoire. Crédit : Issues.fr.com
Les données générées par les scientifiques citoyens offrent aux chercheurs de nouvelles perspectives sur la façon dont les gens s’adaptent et se déplacent différemment pour corriger les erreurs de mouvement.
Une nouvelle étude a examiné les résultats des données générées par des scientifiques citoyens à l’aide d’un simple test moteur basé sur le Web. L’approche Big Data offre aux chercheurs un moyen unique d’explorer comment 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 le 30 janvierème numéro de la revue Comportement humain.
Complétant les études de laboratoire traditionnelles
« 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’article. « Je vois cette approche à grande échelle comme un moyen de démocratiser la recherche sur l’apprentissage moteur. »
Jonathan Tsay, professeur adjoint au département de psychologie de l’université Carnegie Mellon. Crédit : CMU
Traditionnellement, les scientifiques en apprentissage moteur étudiaient comment 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 participants. On ignore si ces résultats se généralisent à une population plus large.
Exploiter la puissance du Big Data
Tsay souhaitait explorer les capacités motrices sous un nouvel angle, en utilisant le Big Data. Pour recueillir les données, il a développé une évaluation simple 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 sessions provenant d’une population de participants 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 test à domicile a duré environ 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.
Découvrir de nouvelles perspectives
Le potentiel du Big Data 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 impact sur l’adaptation motrice.
Tsay cite l’âge comme exemple. Il peut sembler évident que l’âge serait un facteur important affectant l’adaptation motrice, mais l’effet de l’âge a été mitigé dans les études en laboratoire. La confusion peut être due 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 Big Data, 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 long de la vie, l’adaptation culminant entre 35 et 45 ans. Ces adaptations ont été manquées par des études antérieures portant uniquement sur un échantillon limité.
« En utilisant apprentissage automatique et d’autres techniques (cette approche nous a permis) de prédire qui réussirait en apprentissage moteur et quelles propriétés – vitesse de mouvement et temps de réaction – sont de bons prédicteurs de succès en apprentissage moteur au cours d’une séance », a déclaré Tsay. « Les résultats que nous avons trouvés grâce à cette méthode exploratoire de Big Data peuvent être rapportés au laboratoire pour réaliser davantage d’études fondées sur des hypothèses afin de trouver le mécanisme à l’origine des résultats que nous voyons en ligne. »
Défis et orientations futures
La 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 plus, la tâche motrice n’a pas été réalisée sous la supervision d’un expérimentateur ni sous contrôle spécifique de paramètres, tels que le type de technologie et la vitesse d’Internet, qui augmentaient le bruit dans les données. Malgré ces limites, Tsay croit toujours que cette approche à grande échelle est capable 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 tests en ligne, mais il existe peu d’études motrices », a déclaré Richard Ivry, professeur distingué de psychologie à l’Université de Toronto. Université de Californie, 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 utiles 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 Medical School et Jeremy Wilmer du Wellesley College pour l’étude.
L’étude a reçu un financement de l’Institut national de la santé, de l’Institut national des troubles neurologiques et des accidents vasculaires cérébraux.
