Temperamental variation in learned irrelevance in humans
Notice bibliographique
Résumé
<b>Background</b><br /> Learned irrelevance (LIRR) represents one of the mechanisms of attentional set-shifting and refers to the inability to attend to, or to learn about, any aspect of a stimulus previously experienced as irrelevant. Although it has been extensively studied in the context of clinical populations, not much is known about LIRR effects in relation to normal variation in individual differences. The present study was designed to assess how temperamental factors may modulate LIRR. <br /> <br /> <b>Participants and procedures</b><br /> Sixty-eight healthy volunteers performed a visual discrimination learning task modelled after Wisconsin Card Sorting Test. To test the susceptibility to learned irrelevance, participants were expected to shift their attention either to a dimension that prior to the extra-dimensional shift was completely irrelevant, or to a dimension that was previously partly correlated with reinforcement. Temperamental traits were assessed using the Formal Characteristics of Behaviour-Temperament Inventory (Zawadzki & Strelau, 1997). Intelligence level was stratified according to Raven’s Advanced Progressive Matrices (Raven, Raven, & Court, 2003).<br /> <br /> <b>Results</b><br /> Low level of Briskness and high level of Perseverance were related to enhanced susceptibility to LIRR. High levels of Activity and Emotional Reactivity were related to the poorer performance on the extra-dimensional set-shifting. No effects of other temperament characteristics or intelligence on LIRR were observed.<br /> <br /> <b>Conclusions</b><br /> The results confirm a strong variation in LIRR related to individual differences in temperament, which appears to be unrelated to DA function. Our results highlight the importance of considering individual differences in studies on cognitive control.
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 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».