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 une opportunité unique d’étudier comment les gens corrigent les erreurs de contrôle moteur. Les découvertes qui en résultent pourraient un jour ouvrir la voie à une thérapie physique personnalisée ou à la personnalisation de la routine d’entraînement d’un athlète. Les résultats sont disponibles le 30 janvierÈme Édition du magazine Comportement humain naturel.

« Cette approche exploratoire ne remplace pas les études en laboratoire, mais les complète et se demande si le comportement moteur peut être généralisé à une population plus large », a déclaré Jonathan Tsay, professeur adjoint au département de psychologie de l’université Carnegie Mellon et auteur principal de l’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 la façon dont les gens acquéraient leurs capacités motrices en laboratoire, en utilisant des équipements coûteux pour détecter 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 ne sait pas si ces résultats se généralisent à une population plus large.

Tsay souhaitait utiliser le Big Data pour explorer les capacités motrices sous un nouvel angle. Pour collecter les données, il a développé un simple test d’apprentissage moteur que les gens pouvaient passer 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 inconscient 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 plusieurs sessions à la base de données, permettant à l’équipe de recherche de suivre efficacement les changements dans l’apprentissage moteur.

Le potentiel du big data réside dans une meilleure compréhension de variables telles que le sexe, l’âge, la déficience visuelle ou encore 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 est un facteur important dans l’adaptation motrice, mais les effets de l’âge ont été mitigés dans les études en laboratoire. La confusion peut être due en partie à la petite taille de l’échantillon et à la concentration sur des groupes d’âge extrêmes (très jeunes et très âgés).

Grâce au Big Data, Tsay et ses collègues ont pu étudier l’âge en tant que variable continue. Les résultats ont montré comment les participants ont modifié leurs stratégies pour corriger une erreur motrice au cours de leur vie, l’adaptation culminant entre 35 et 45 ans. Ces ajustements ont été manqués dans des études précédentes avec seulement une taille d’échantillon limitée.

« En utilisant l’apprentissage automatique et d’autres techniques (cette approche nous a permis) de prédire qui réussirait dans l’apprentissage moteur et quelles caractéristiques – vitesse de mouvement et temps de réaction – sont de bons prédicteurs de succès dans l’apprentissage moteur au cours d’une session », a-t-il déclaré à Tsay. « Les résultats que nous avons trouvés dans cette méthode exploratoire du Big Data peuvent être rapportés au laboratoire pour mener davantage d’études fondées sur des hypothèses afin de trouver le mécanisme derrière le résultat que nous voyons en ligne. »

La simple tâche d’apprentissage moteur n’a pu prédire qu’environ 15 % de la variance dans l’étude, limitant les informations pouvant être tirées de ces résultats. De plus, la tâche motrice n’a pas été réalisée sous la supervision d’un expérimentateur ou avec une attention particulière à des paramètres tels que le type de technologie et la vitesse d’Internet, ce qui augmentait le bruit dans les données. Malgré ces limites, Tsay croit toujours que cette approche à grande échelle est capable d’étudier cette variabilité en détail et de générer des informations qui peuvent être précieuses pour la communauté de la recherche automobile.

« De nombreuses questions en psychologie peuvent être testées 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 notre confiance dans le fait que les études en ligne peuvent être très efficaces pour étudier le contrôle moteur, et je sais que de nombreux laboratoires à travers le monde ont utilisé 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 dans l’étude intitulée « La science citoyenne à grande échelle révèle des prédicteurs de l’adaptation sensorimotrice ». L’étude a été financée par l’Institut national de la santé (Institut national des troubles neurologiques et des accidents vasculaires cérébraux).



Source