Morning REM Sleep Naps Facilitate Broad Access to Emotional Semantic Networks
Notice bibliographique
Résumé
STUDY OBJECTIVES: The goal of the study was to assess semantic priming to emotion and nonemotion cue words using a novel measure of associational breadth for participants who either took rapid eye movement (REM) or nonrapid eye movement (NREM) naps or who remained awake; assess relation of priming to REM sleep consolidation and REM sleep inertia effects. DESIGN: The associational breadth task was applied in both a priming condition, where cue-words were signaled to be memorized prior to sleep (primed), and a nonpriming condition, where cue words were not memorized (nonprimed). Cue words were either emotional (positive, negative) or nonemotional. Participants were randomly assigned to either an awake (WAKE) or a sleep condition, which was subsequently split into NREM or REM groups depending on stage at awakening. SETTING: Hospital-based sleep laboratory. PARTICIPANTS: Fifty-eight healthy participants (22 male) ages 18 to 35 y (Mage = 23.3 ± 4.08 y). MEASUREMENTS AND RESULTS: The REM group scored higher than the NREM or WAKE groups on primed, but not nonprimed emotional cue words; the effect was stronger for positive than for negative cue words. However, REM time and percent correlated negatively with degree of emotional priming. Priming occurred for REM awakenings but not for NREM awakenings, even when the latter sleep episodes contained some REM sleep. CONCLUSIONS: Associational breadth may be selectively consolidated during REM sleep for stimuli that have been tagged as important for future memory retrieval. That priming decreased with REM time and was higher only for REM sleep awakenings is consistent with two explanatory REM sleep processes: REM sleep consolidation serving emotional downregulation and REM sleep inertia.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».