Wenn Kinder lernen, ihre Schnürsenkel zu binden, tun sie dies in diskreten Schritten - machen eine Schleife oder ziehen an der Spitze.

Nach genügend Wiederholungen verwandelt unser Gehirn diese Schritte in "Brocken".

Movement Chunking, wie das Phänomen bekannt ist, ist eine Strategie, die lange Informationsketten in kürzere, überschaubare Teile reduziert, die leichter zu merken sind.

"Chunking ist das natürliche Nebenprodukt einer cleveren Strategie, die Lernkosten minimiert."

Wissenschaftler wissen, dass für Menschen mit Parkinson-Krankheit, Huntington-Krankheit und Schlaganfall diese Bewegung Chunking stark gestört ist. Chunking zu verstehen und wie es funktioniert, ist entscheidend für die frühe Diagnose, Behandlung und Rehabilitationstherapie. Doch die Wissenschaft hat dafür keine konkrete Erklärung.

Aber jetzt haben Forscher eine umfassende Theorie entwickelt, warum Chunking auftritt. Die Forschung gestaltet Chunking als ökonomischen Kompromiss im Motorsystem, wobei das Zusammenführen kleiner Brocken in bestimmten Lernstadien optimal "kosteneffektiv" wird. Die Ergebnisse erscheinen im Journal Nature Communications veröffentlicht .

"Das Nervensystem zielt darauf ab, Bewegungen so effizient wie möglich zu erzeugen", sagt Scott Grafton, Professor für Neurologie an der Universität von Kalifornien, Santa Barbara. "Es gibt jedoch einen Rechenaufwand für die Berechnung effizienter Trajektorien. Der Sweet Spot zwischen diesen Zielen ergibt Stücke. "

Schwierig und effizient

Grafton und seine Kollegen verwendeten Werkzeuge zur rechnerischen Motorsteuerung, mit deren Hilfe Computermodelle ermittelt wurden, wie das Gehirn Gliedmaßen und die Ziele und Einschränkungen des Motorsystems steuert. In diesem Zusammenhang hatten die Forscher Schwierigkeiten zu erklären, wie Menschen und andere Tiere von rechnerisch einfachen, aber ineffizienten Bewegungen zu rechnerisch anspruchsvollen, aber effizienten Bewegungen übergehen.

"Unsere Studie löst diese Schwierigkeit, indem sie - theoretisch und experimentell - zeigt, dass die kosteneffektivsten Lernpfade mit Komplexität und Effizienz diejenigen sind, die Chunking produzieren", sagt Grafton. "Chunking ist daher das natürliche Nebenprodukt einer cleveren Strategie, die Lernkosten minimiert."

Die Forscher untersuchten, wie Rhesus-Makaken über mehrere Tage hinweg Bewegungsabläufe hervorriefen und fanden heraus, dass diese Tiere tatsächlich kosteneffektive Lerner sind. Durch die Auswahl, wann Brocken auf intelligente Weise miteinander verschmolzen werden sollten, erzielten die Affen Einsparungen bei den kumulativen Lernkosten.

Sie teilten die Bewegungssequenz in Chunks auf, die innerhalb von Chunks auf Effizienz optimiert waren, und fusionierten Chunks erst, wenn weitere Effizienzgewinne erforderlich waren.

"Bewegung Chunking wurde weitgehend in Gesundheit und Krankheit über Menschen und Tiere charakterisiert, aber bis jetzt, eine normative Theorie fehlte", sagt Grafton, "Unsere Theorie leitet optimale Bewegung Trajektorien, und diese Experimente, in denen Affen lernen, eine neue Sequenz zu produzieren von Bewegungen über einen längeren Zeitraum zeigen, dass unsere Theorie die wesentlichen Merkmale der Brocken erklärt, die in ihren Bewegungen entstehen. "

Framing das Chunking-Phänomen als eine wirtschaftliche Abwägung bietet eine neue Perspektive auf das motorische Lernen und seine Störungen.

Die unregelmäßige Natur der Bewegungen nach dem Schlaganfall kann beispielsweise auf ein niedrigeres Rechenbudget für motorisches Lernen zurückzuführen sein, und die ineffizienten Bewegungen, die man bei einem Schlaganfall sieht, können sich an diese Budgets anpassen, erklärt Grafton. Jeder Rehabilitationsansatz könnte von dieser Erkenntnis profitieren, fügt er hinzu.

"Unsere rechnergestützte Perspektive auf das Chunking eröffnet auch neue Fragen darüber, wie das Gehirn Bewegungen steuert", sagt Grafton. "Jüngste Belege für die neuronale Kodierung von Chunking im Gehirn müssen insbesondere im Lichte von theoretischen Berechnungen überprüft werden.

"Codieren Neuronen kinematische Entscheidungen, Rechenbudgets oder Effizienzziele? Das sind offene Fragen für das gesamte Gebiet der motorischen Kontrolle. "

Quelle: UC Santa Barbara

Bücher zum Thema

at InnerSelf Market und Amazon