42. The psychoneuroimmunophysiological responses to incongruous actions or statements/prevarications made for the purpose of eliciting rhythmic, spasmodic expiratory reflexes
Notice bibliographique
Résumé
Although humans know instinctually that humour has healing powers, an understanding of the precise effects of humour and laughter had been largely unknown until the twentieth Century, due to the lack of technology. Not all of the barriers to research have been removed – it is still not possible to know “how much” good humour a person has or is experiencing – but there have been significant discoveries that help to prove that while laughter may not be the best medicine, it certainly helps the medicine go down. The understanding of humour has come in four distinct areas, and in periods that reflect the available technologies. With the discovery of laughing diseases, interest in humour drove Harry Paskind in 1932 to create a new machine to study muscle tone during good humour. From the 1950s to 1970s, the neurology of laughter was researched, accompanying further research into the pathology of laughter after an epidemic of laughter in Uganda from 1962-64. After this came the study of the immunology and the discovery that laughter fights cancer, with the champion of laughter research, William Fry, dedicating a decade from 1969-79 to this work. Finally came research on the indisputable effect of laughter – its healthy effects on human psychology. Thanks, in part, to this research, and also supporting it, the past forty years have seen men like Norman Cousins and Hunter “Patch” Adams bring humour into mainstream healthcare. This research provides doctors an opportunity both now and in the future, as we learn even more about humour, to bring a softer face to medicine and truly give patients something to smile about. Cousins N. Anatomy of an Illness. New York: WW Norton & Company, Inc., 1979. Paskind H. Effect of Laughter on Muscle Tone. Archives of Neurology and Psychiatry 1932; 28-3:623-628. Robinson VM. Humor and the Health Professions. New York: McGraw-Hill, 1991.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».