Pain-Induced Pessimism and Anhedonia: Evidence From a Novel Probability-Based Judgment Bias Test
Notice bibliographique
Résumé
Judgment bias tests use responses to ambiguous stimuli to infer emotional states in animals. However, with repeated testing, animals can learn to recognize the previously ambiguous stimuli rendering the test less effective. We describe a novel approach to this problem. Calves (n=9) were trained in a spatial discrimination task to associate 5 locations with a specific probability of reward/punishment (Positive: 100%/0%; Near-Positive: 75%/25%; Middle: 50%/50%; Near-Negative: 25%/75%; Negative: 0%/100%). As predicted, calves showed increased latencies to touch locations that had higher probabilities of punishment and lower probabilities of reward. To validate our methodology for detecting mood changes, we followed calves in the hours after routine hot-iron disbudding, a time when animals were likely experiencing post-operative inflammatory pain. At 6 h after disbudding, when inflammatory pain was likely to peak, calves expressed increased approach latencies to the Positive, Near-Positive and Middle locations. These results suggest that calves perceived the value of the reward as being lower (i.e. anhedonia) or had lower expectations of positive outcomes (i.e. pessimism). When re-tested at 22 and 70 h after disbudding, we found no evidence of pessimism or anhedonia (i.e. latencies had returned to baseline). We conclude that our probability-based judgment bias task can detect pain-induced mood changes.
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 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».