Ilmuwan warga berkontribusi pada penelitian pembelajaran motorik

Sebuah studi penelitian baru telah menguji hasil dari data yang dihasilkan oleh ilmuwan warga dengan menggunakan metode sederhana tes motorik berbasis web. Pendekatan data besar memberi para peneliti cara unik untuk mengeksplorasi bagaimana orang memperbaiki kesalahan kontrol motorik. Wawasan yang dihasilkan suatu hari nanti mungkin membuka jalan bagi terapi fisik yang dipersonalisasi atau menyesuaikan rutinitas latihan seorang atlet. Hasilnya tersedia di Sifat Perilaku Manusia.

“Pendekatan eksploratif ini tidak menggantikan studi berbasis laboratorium, namun melengkapi studi tersebut, menanyakan apakah perilaku motorik dapat digeneralisasikan ke populasi yang lebih besar,” kata Jonathan Tsay, asisten profesor di Departemen Psikologi di Universitas Carnegie Mellon dan penulis pertama makalah tersebut. “Saya melihat pendekatan skala besar ini sebagai cara untuk mendemokratisasi penelitian pembelajaran motorik.”

Baca Juga: Dampak Media Sosial pada Kesehatan Mental Eksistensial Kita

Secara tradisional, ilmuwan pembelajaran motorik telah mempelajari bagaimana orang mempelajari keterampilan motorik di laboratorium menggunakan peralatan mahal untuk menangkap perubahan halus dalam gerakan seseorang sebagai respons terhadap kesalahan gerakan. Studi-studi ini seringkali melibatkan sejumlah kecil partisipan. Apakah hasil ini dapat digeneralisasikan ke populasi yang lebih besar masih belum diketahui.

Tsay ingin mengeksplorasi keterampilan motorik dari perspektif baru, menggunakan data besar. Untuk mengumpulkan data, ia mengembangkan penilaian pembelajaran motorik sederhana yang dapat dilakukan secara online dalam kenyamanan rumah mereka. Hasilnya adalah kumpulan data lebih dari 2.000 sesi dari populasi peserta yang beragam.

Studi ini juga dapat mengevaluasi berbagai proses mendasar dalam pembelajaran motorik, yaitu kontribusi relatif dari pembelajaran motorik bawah sadar, pembelajaran motorik implisit, dan pembelajaran motorik sadar dan eksplisit. Dengan data yang ada, Tsay mampu menguji bagaimana variabel demografi mempengaruhi kontribusi relatif kedua gaya belajar ini.

Tes singkat di rumah ini memakan waktu sekitar delapan menit dibandingkan dengan percobaan normal yang memakan waktu 80 menit di laboratorium. Banyak peserta yang login kembali dan menyumbangkan beberapa sesi ke database, memungkinkan tim peneliti melacak perubahan dalam pembelajaran motorik secara efisien.

Potensi big data terletak pada pemahaman yang lebih baik terhadap berbagai variabel, seperti jenis kelamin, usia, gangguan penglihatan, dan bahkan pengalaman bermain video game, yang dapat memengaruhi adaptasi motorik.

Tsay menunjuk pada usia sebagai contoh. Tampaknya jelas bahwa usia akan menjadi faktor penting yang mempengaruhi adaptasi motorik, namun pengaruh usia telah tercampur dalam penelitian laboratorium. Kebingungan ini mungkin disebabkan oleh kecilnya ukuran sampel dan fokus pada kelompok umur yang ekstrim (sangat muda dan sangat tua).

Dengan menggunakan data besar, Tsay dan rekan-rekannya mampu menguji usia sebagai variabel kontinu. Hasilnya menunjukkan bagaimana peserta memodifikasi strategi mereka untuk mengoreksi kesalahan motorik sepanjang hidup, dengan puncak adaptasi antara usia 35 dan 45 tahun. Adaptasi ini terlewatkan oleh penelitian sebelumnya yang hanya melibatkan ukuran sampel terbatas.

“Dengan menggunakan pembelajaran mesin dan teknik lainnya, (pendekatan ini memungkinkan kami) untuk memprediksi siapa yang akan berhasil dalam pembelajaran motorik dan sifat apa—kecepatan gerakan dan waktu reaksi—yang merupakan prediktor yang baik untuk keberhasilan pembelajaran motorik selama suatu sesi,” kata Tsay. “Hasil yang kami temukan dengan cara eksplorasi data besar ini dapat dibawa kembali ke laboratorium untuk melakukan lebih banyak (studi) yang didorong oleh hipotesis untuk menemukan mekanisme di balik temuan yang kami lihat secara online.”

Tugas pembelajaran motorik sederhana hanya mampu memprediksi sekitar 15% varians dalam penelitian, sehingga membatasi wawasan yang dapat diambil dari hasil tersebut. Selain itu, tugas motorik tidak dilakukan di bawah pengawasan peneliti atau secara khusus mengendalikan parameter, seperti jenis teknologi dan kecepatan internet, yang mungkin meningkatkan noise dalam data. Terlepas dari keterbatasan ini, Tsay tetap yakin pendekatan berskala besar ini mampu mengkaji variabilitas ini secara mendetail, sehingga memberikan wawasan yang berharga bagi komunitas riset motorik.

“Banyak sekali pertanyaan dalam psikologi yang dapat diuji secara online, namun hanya ada sedikit penelitian tentang motorik,” kata Richard Ivry, profesor psikologi terkemuka di University of California, Berkeley dan salah satu penulis studi tersebut. “(Sifat Perilaku Manusia) studi ini semakin menambah keyakinan kami bahwa studi online bisa sangat berarti untuk mempelajari pengendalian motorik, dan saya tahu bahwa banyak laboratorium di seluruh dunia telah memanfaatkan alat ini.”

Tsay dan Ivry bergabung dengan Hrach Asmerian dan Ken Nakayama di University of California, Berkeley, Laura Germine di Harvard Medical School dan Jeremy Wilmer di Wellesley College dalam penelitian yang berjudul “Ilmu pengetahuan warga berskala besar mengungkap prediktor adaptasi sensorimotor.”