When We Should Worry More: Using Cognitive Bias Modification to Drive Adaptive Health Behaviour
Notice bibliographique
Résumé
A lack of behavioural engagement in health promotion or disease prevention is a problem across many health domains. In these cases where people face a genuine danger, a reduced focus on threat and low levels of anxiety or worry are maladaptive in terms of promoting protection or prevention behaviour. Therefore, it is possible that increasing the processing of threat will increase worry and thereby enhance engagement in adaptive behaviour. Laboratory studies have shown that cognitive bias modification (CBM) can increase or decrease anxiety and worry when increased versus decreased processing of threat is encouraged. In the current study, CBM for interpretation (CBM-I) is used to target engagement in sun protection behaviour. The goal was to investigate whether inducing a negative rather than a positive interpretation bias for physical threat information can enhance worry elicited when viewing a health campaign video (warning against melanoma skin cancer), and consequently lead to more adaptive behaviour (sun protection). Participants were successfully trained to either adopt a positive or negative interpretation bias using physical threat scenarios. However, contrary to expectations results showed that participants in the positive training condition reported higher levels of worry elicited by the melanoma video than participants in the negative training condition. Video elicited worry was, however, positively correlated with a measure of engagement in sun protection behaviour, suggesting that higher levels of worry do promote adaptive behaviour. These findings imply that more research is needed to determine under which conditions increased versus decreased processing of threat can drive adaptive worry. Various potential explanations for the current findings and suggestions for future research are discussed.
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 | 0,005 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».