Abstract Implicit skill learning underlies obtaining not only motor, but also cognitive and social skills through the life of an individual. Yet, the ontogenetic changes in humans’ implicit learning abilities have not yet been characterized, and, thus, their role in acquiring new knowledge efficiently during development is unknown. We investigated such learning across the lifespan, between 4 and 85 years of age with an implicit probabilistic sequence learning task, and we found that the difference in implicitly learning high‐ vs. low‐probability events – measured by raw reaction time (RT) – exhibited a rapid decrement around age of 12. Accuracy and z ‐transformed data showed partially different developmental curves, suggesting a re‐evaluation of analysis methods in developmental research. The decrement in raw RT differences supports an extension of the traditional two‐stage lifespan skill acquisition model: in addition to a decline above the age 60 reported in earlier studies, sensitivity to raw probabilities and, therefore, acquiring new skills is significantly more effective until early adolescence than later in life. These results suggest that due to developmental changes in early adolescence, implicit skill learning processes undergo a marked shift in weighting raw probabilities vs. more complex interpretations of events, which, with appropriate timing, prove to be an optimal strategy for human skill learning.

Abstract Long-term memory depends on memory consolidation that seems to rely on learning-induced changes in the brain activity. Here, we introduced a novel approach analyzing continuous EEG data to study learning-induced changes as well as trait-like characteristics in brain activity underlying consolidation. Thirty-one healthy young adults performed a learning task and their performance was retested after a short (~1h) delay, that enabled us to investigate the consolidation of serial-order and probability information simultaneously. EEG was recorded during a pre- and post-learning rest period and during learning. To investigate the brain activity associated with consolidation performance, we quantified similarities in EEG functional connectivity of learning and pre-learning rest (baseline similarity) as well as learning and post-learning rest (post-learning similarity). While comparable patterns of these two could indicate trait-like similarities, changes in similarity from baseline to post-learning could indicate learning-induced changes, possibly spontaneous reactivation. Individuals with higher learning-induced changes in alpha frequency connectivity (8.5–9.5 Hz) showed better consolidation of serial-order information. This effect was stronger for more distant channels, highlighting the role of long-range centro-parietal networks underlying the consolidation of serial-order information. The consolidation of probability information was associated with learning-induced changes in delta frequency connectivity (2.5–3 Hz) and seemed to be dependent on more local, short-range connections. Beyond these associations with learning-induced changes, we also found substantial overlap between the baseline and post-learning similarity and their associations with consolidation performance, indicating that stable (trait-like) differences in functional connectivity networks may also be crucial for memory consolidation. Significance statement We studied memory consolidation in humans by characterizing how similarity in neural oscillatory patterns during learning and rest periods supports consolidation. Previous studies on similarity focused on learning-induced changes (including reactivation) and neglected the stable individual characteristics that are present over resting periods and learning. Moreover, learning-induced changes are predominantly studied invasively in rodents or with neuroimaging or event-related electrophysiology techniques in humans. Here, we introduced a novel approach that enabled us 1) to reveal both learning-induced changes and trait-like individual differences in brain activity and 2) to study learning-induced changes in humans by analyzing continuous EEG. We investigated the consolidation of two types of information and revealed distinct learning-induced changes and trait-like characteristics underlying the different memory processes.

The ability of the brain to extract patterns from the environment and predict future events, known as statistical learning, has been proposed to interact in a competitive manner with prefrontal lobe related networks and their characteristic cognitive or executive functions. However, it remains unclear whether these cognitive functions also show competitive relationship with implicit statistical learning across individuals and at the level of latent executive function components. In order to address this currently unknown aspect, we investigated, in two independent experiments (N Study1 = 186, N Study2 = 157), the relationship between implicit statistical learning, measured by the Alternating Serial Reaction Time task, and executive functions, measured by multiple neuropsychological tests. In both studies, a modest, but consistent negative correlation between implicit statistical learning and most executive function measures was observed. Factor analysis further revealed that a factor representing the verbal fluency and complex working memory seemed to drive these negative correlations. Thus, an antagonism between implicit statistical learning and executive functions might specifically be mediated by updating component of executive functions or/and long-term memory access.

Abstract A crucial question in skill learning research is how instruction affects the performance or the underlying representations. However, a little is known about its effect on one critical aspect of skill leaning, namely, picking-up statistical regularities. More specifically, how pre-learning speed vs. accuracy instructions affect the acquisition of non-adjacent second-order dependencies. Here, we trained two groups of participants on an implicit probabilistic sequence learning task: one group focusing on being fast and the other on being accurate. As expected, we detected strong instruction effect: accuracy instruction resulted in a nearly errorless performance, while speed instruction caused short reaction times. Despite the differences in the average reaction times and accuracy scores, we found a similar level of statistical learning in the training phase. After the training phase, we tested the two groups under the same instruction (focusing on both speed and accuracy), and they showed comparable performance, suggesting a similar level of underlying statistical representations. Our findings support that skill learning can result in robust representations, and they highlight that this form of knowledge may appear with almost errorless performance.

Abstract Acute stress can crucially influence learning and memory processes. One of the key processes underlying human learning and memory is the ability of our brain to rapidly detect and extract regularities from sensory input across time and space leading to effective predictive processing. Here, we aimed to get an in-depth look into the effect of stress on the acquisition of two aspects of regularity extraction. We examined whether and how stress affects (1) processes and learning of probability-based, statistical regularities and (2) serial order-based, sequential regularities in the same experimental design, and (3) explicit access to the acquired information. Considering that the acquisition of statistical regularities is a rapid process, we primarily focused on the early phases of the task. We induced stress with the Socially Evaluated Cold Pressor Test in 27 young adults, while 26 participants were enrolled in the control group. Salivary cortisol levels and subjective ratings of affective states showed successful stress induction. After the stress induction, we measured regularity extraction with the cued Alternating Serial Reaction Time task. We found that stress promoted the acquisition of statistical regularities and did not alter the learning of sequential regularities. Post-block reports showed weaker explicit access to the sequential regularities in the stress group. Our results give a process-level understanding on how stress alters learning and memory functions related to predictive processes.

Abstract Humans can implicitly learn complex perceptuo-motor skills over the course of large numbers of trials. This likely depends on our becoming better able to take advantage of ever richer and temporally deeper predictive relationships in the environment. Here, we offer a novel characterization of this process, fitting a non-parametric, hierarchical Bayesian sequence model to the reaction times of human participants’ responses over ten sessions, each comprising thousands of trials, in a serial reaction time task involving higher-order dependencies. The model, adapted from the domain of language, forgetfully updates trial-by-trial, and seamlessly combines predictive information from shorter and longer windows onto past events, weighing the windows proportionally to their predictive power. As the model defines a prior over window depths, we were able to determine the extent to which the internal predictions of individual participant depended on how many previous elements. Already in the first session, the model showed that participants had begun to rely on two previous elements (i.e., trigrams), thereby successfully adapting to the most prominent higher-order structure in the task. The extent to which local statistical fluctuations influenced participants’ responses waned over subsequent sessions, as subjects forgot the trigrams less and evidenced skilled performance. By the eighth session, a subset of participants shifted their prior further to consider a context deeper than two previous elements. Finally, participants showed resistance to interference and slow forgetting of the old sequence when it was changed in the final sessions. Model parameters for individual subjects covaried appropriately with independent measures of working memory. In sum, the model offers the first principled account of the adaptive complexity and nuanced dynamics of humans’ internal sequence representations during long-term implicit skill learning. Author summary A central function of the brain is to predict. One challenge of prediction is that both external events and our own actions can depend on a variably deep temporal context of previous events or actions. For instance, in a short motor routine, like opening a door, our actions only depend on a few previous ones (e.g., push the handle if the key was turned). In longer routines such as coffee making, our actions require a deeper context (e.g., place the moka pot on the hob if coffee is ground, the pot is filled and closed, and the hob is on). We adopted a model from the natural language processing literature that matches humans’ ability to learn variable-length relationships in sequences. This model explained the gradual emergence of more complex sequence knowledge and individual differences in an experiment where humans practiced a perceptual-motor sequence over 10 weekly sessions.

Abstract It is unclear how implicit prior knowledge is involved and remains persistent in the extraction of the statistical structure underlying sensory input. Therefore, this study investigated whether the implicit knowledge of 2 nd order transitional probabilities characterizing a stream of visual stimuli impacts the processing of unpredictable transitional probabilities embedded in a similar input stream. Young adults ( N = 50) performed a four-choice reaction time (RT) task that consisted of structured and unstructured blocks. In the structured blocks, more probable and less probable short-range nonadjacent transitional probabilities were present. In the unstructured blocks, the unique combinations of the short-range transitional probabilities occurred with equal probability; therefore, they were unpredictable. All task blocks were visually identical at the surface level. While one-half of the participants completed the structured blocks first followed by the unstructured blocks, this was reversed in the other half of them. The change in the structure was not explicitly denoted, and no feedback was provided on the correctness of each response. Participants completing the structured blocks first showed faster RTs to more probable than to less probable short-range transitional probabilities in both the structured and unstructured blocks, indicating the persistent effect of prior knowledge. However, after extended exposure to the unstructured blocks, they updated this prior knowledge. Participants completing the unstructured blocks first showed the RT difference only in the structured blocks, which was not constrained by the preceding exposure to unpredictable stimuli. The results altogether suggest that implicitly acquired prior knowledge of predictable stimuli influences the processing of subsequent unpredictable stimuli. Updating this prior knowledge seems to require a longer stretch of time than its initial acquisition.

Abstract Internal models capture the regularities of the environment and are central to understanding how humans adapt to environmental statistics. In general, the correct internal model is unknown to observers, instead approximate and transient ones are recruited. However, experimenters assume an ideal observer model, which captures stimulus structure but ignores the diverging hypotheses that humans form during learning. We combine non-parametric Bayesian methods and probabilistic programming to infer rich and dynamic individualised internal models from response times in an implicit visuomotor sequence learning task. We identify two contributors to the internal model: the ideal observer model and a Markov model capturing only immediate temporal dependencies between observations. Individual learning curves revealed internal models initially dominated by the Markov model, which was later traded-off with the ideal observer model. Thus, our results reveal a structured inductive bias that varies across individuals both in strength and persistence but is consistent in overall structure.

Abstract The role of sleep in cognitive performance has gained increasing attention in neuroscience and sleep research in the recent decades, however, the relationship between subjective (self-reported) sleep quality and cognitive performance has not yet been comprehensively characterized. In this paper, our aim was to test the relationship between subjective sleep quality and a wide range of cognitive functions in a healthy young adult sample combined across three studies. Sleep quality was assessed by Pittsburgh Sleep Quality Index, Athens Insomnia Scale, and a sleep diary to capture general subjective sleep quality, and Groningen Sleep Quality Scale to capture prior night’s sleep quality. Within cognitive functions, we tested working memory, executive functions, and several sub-processes of procedural learning. To provide more reliable results, we included robust frequentist and Bayesian statistical analyses as well. Unequivocally across all analyses, we showed that there is no association between subjective sleep quality and cognitive performance in the domain of working memory, executive functions and procedural learning in healthy young adults. Our paper can contribute to a deeper understanding of subjective sleep quality and its measures, and we discuss various factors that may affect whether associations can be observed between subjective sleep quality and cognitive performance.

Abstract Knowing when the brain learns is crucial for both the comprehension of memory formation and consolidation, and for developing new training and neurorehabilitation strategies in healthy and patient populations. Recently, a rapid form of offline learning developing during short rest periods has been shown to account for most of procedural learning, leading to the hypothesis that the brain mainly learns during rest between practice periods. Nonetheless, procedural learning has several subcomponents not disentangled in previous studies investigating learning dynamics, such as acquiring the statistical regularities of the task, or else the high-order rules that regulate its organization. Here, we analyzed 506 behavioral sessions of implicit visuomotor deterministic and probabilistic sequence learning tasks, allowing the distinction between general skill learning, statistical learning and high-order rule learning. Our results show that the temporal dynamics of apparently simultaneous learning processes differ. While general skill and high-order rule learning are acquired offline, statistical learning is evidenced online. These findings open new avenues on the short-scale temporal dynamics of learning and memory consolidation and reveal a fundamental distinction between statistical and high-order rule learning, the former benefiting from online evidence accumulation and the latter requiring short rest periods for rapid consolidation.