Aprendizaje humano de habilidades motrices
Kurt Thoroughman, profesor de ingeniería biomédica en la Universidad de Washington en St. Louis, y Jordan Taylor, estudiante de doctorado de la misma especialidad, analizaron a una docena de voluntarios a quienes se instruyó para jugar con un videojuego que involucraba a un brazo robótico. Thoroughman y Taylor descubrieron que los sujetos aprendieron diferentes niveles del juego en sólo 20 minutos de entrenamiento con diferentes dificultades ambientales. Los voluntarios se enfrentaban a fuerzas perturbadoras que cambiaban de dirección en la misma proporción, dos o cuatro veces más rápido que la dirección del movimiento, exponiendo por consiguiente a los sujetos a entornos de complejidad creciente a lo largo del espacio de movimiento. Así, aprendieron a desenvolverse en los tres entornos. Se familiarizaron con el de mediana complejidad tan bien como con el de baja complejidad. También aprendieron a desenvolverse en el de alta complejidad, aunque no tan bien como en los otros dos.
Thoroughman y Taylor podían detectar asimismo cómo los movimientos individuales entrenaban a las personas para hacer mejor el próximo movimiento. Sorprendentemente, las personas podían cambiar con gran rapidez la manera en que los errores en un movimiento inducían una respuesta aprendida en el próximo. En concreto, los sujetos disminuyeron su adaptación movimiento por movimiento, y estrecharon la magnitud espacial de la generalización para igualar la complejidad ambiental, mostrando que las personas pueden rápidamente reestructurar la transformación sensorial en la predicción motriz para aprender mejor una nueva tarea de movimiento. Así, la riqueza del entrenamiento motor no sólo determina lo que aprendemos sino cómo lo aprendemos.
Estos resultados pueden ayudar a diseñar mejores herramientas de diagnóstico para las personas con trastornos neurológicos, y podrían conducir a mejores neuroprótesis.
 | | Kurt Thoroughman observa a Jordan Taylor mientras utiliza un videojuego en el laboratorio. ((Foto: David Kilper / WUSTL)) |
Thoroughman y Taylor modelaron esta adaptación usando una red neural. Encontraron que para imitar la conducta humana, la afinación neuronal modelada del espacio de movimiento necesitaba estrecharse y reducir la ganancia a medida que se incrementaba la complejidad ambiental.
Teorías muy aceptadas de cómputo neural han considerado que la afinación neuronal del espacio que determina la generalización, debería permanecer fija durante el aprendizaje para que una combinación de rendimientos neuronales pueda servir de base para la adaptación de modo simple y flexible. Thoroughman y Taylor han demostrado que esta afinación del espacio es en cambio flexible. La evidencia que según ellos desafía con mayor contundencia a esas teorías, es la de que la afinación neuronal del espacio de movimiento cambió en los sujetos estudiados en sólo unos minutos de entrenamiento.
|
