Neurocognitive predictors of metacognition in individuals at clinical high risk for psychosis
Notice bibliographique
Résumé
BACKGROUND: Metacognition refers to the ability to evaluate and control our cognitive processes. While studies have investigated metacognition in schizophrenia and clinical high risk for psychosis (CHR), less is known about the potential mechanisms which result in metacognitive deficits. AIMS: We aimed to investigate whether neurocognitive functions including attention, working memory, verbal learning and executive functions predicted the tendency to focus on one's thoughts (cognitive self-consciousness) and beliefs in the efficacy of one's cognitive skills (cognitive confidence). METHOD: Participants (130 CHR individuals) were recruited as part of the multi-site PREDICT study. They were assessed using the Metacognitions Questionnaire (MCQ) as well as measures of executive function (WCST), attention (N-Back), working memory (LNS) and verbal learning (AVLT). RESULTS: Cognitive competence was negatively correlated with N-Back while cognitive self-consciousness was positively correlated with N-Back and LNS. Linear regression analysis with N-Back, AVLT, LNS and WCST as predictors showed that neurocognition significantly predicted cognitive self-consciousness, with N-Back, LNS and WCST as significant predictors. The model accounted for 14% of the variance in cognitive self-consciousness. However, neurocognition did not result in a significant predictive model of cognitive competence. CONCLUSIONS: Neurocognition was associated with an increased focus on one's thoughts, but it was not associated with higher confidence in one's cognitive skills. Neurocognition accounted for less than one-sixth of the variance in metacognition, suggesting that interventions that target neurocognition are unlikely to improve metacognitive abilities.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».