The effects of emotion regulation strategies on the pain experience
Notice bibliographique
Résumé
Although emotion regulation modulates the pain experience, inconsistencies have been identified regarding the impact of specific regulation strategies on pain. Our goal was to examine the effects of emotion suppression and cognitive reappraisal on automatic (ie, nonverbal) and cognitively mediated (ie, verbal) pain expressions. Nonclinical participants were randomized into either a suppression (n = 58), reappraisal (n = 51), or monitoring control (n = 42) condition. Upon arrival to the laboratory, participants completed the Emotion Regulation Questionnaire, to quantify self-reported suppression and reappraisal tendencies. Subsequently, they completed a thermal pain threshold and tolerance task. They were then provided with instructions to use, depending on their experimental condition, suppression, reappraisal, or monitoring strategies. Afterward, they were exposed to experimentally induced pain. Self-report measures of pain, anxiety, and tension were administered, and facial expressions, heart rate, and galvanic skin response were recorded. The Facial Action Coding System was used to quantify general and pain-related facial activity (ie, we defined facial actions that occurred during at least 5% of pain stimulation periods as "pain-related actions"). Reappraisal and suppression induction led to reductions in nonverbal and verbal indices of pain. Moreover, self-reported tendencies to use suppression and reappraisal (as measured by the Emotion Regulation Questionnaire) did not interact with experimental condition in the determination of participants' responses. Results suggest that consciously applying emotion regulation strategies during a painful task can moderate both cognitively mediated (e.g., verbal) and automatic (e.g., facial activity) expressions of pain.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».