Meta‐analytic evidence for a joint neural mechanism underlying response inhibition and state anger
Notice bibliographique
Résumé
Although anger may weaken response inhibition (RI) by allowing outbursts to bypass deliberate processing, it is equally likely that RI deficits precipitate a state of anger (SA). In adolescents, for instance, anger occurs more frequently and often leads to escalating aggressive behaviors. Even though RI is considered a key component in explaining individual differences in SA expression, the neural overlap between SA and RI remains elusive. Here, we aimed to meta-analytically revisit and update the neural correlates of motor RI, to determine a consistent neural architecture of SA, and to identify their joint neural network. Considering that inhibitory abilities follow a protracted maturation until early adulthood, we additionally computed RI meta-analyses in youths and adults. Using activation likelihood estimation, we calculated twelve meta-analyses across 157 RI and 39 SA experiments on healthy individuals. Consistent with previous findings, RI was associated with a broad frontoparietal network including the anterior insula/inferior frontal gyrus (aI/IFG), premotor and midcingulate cortices, extending into right temporoparietal areas. Youths showed convergent activity in right midcingulate and medial prefrontal areas, left aI/IFG, and the temporal poles. SA, on the other hand, reliably recruited the right aI/IFG and anterior cingulate cortex. Conjunction analyses between RI and SA yielded a single convergence cluster in the right aI/IFG. While frontoparietal networks and bilateral aI are ubiquitously recruited during RI, the right aI/IFG cluster likely represents a node in a dynamically-adjusting monitoring network that integrates salient information thereby facilitating the execution of goal-directed behaviors under highly unpredictable scenarios.
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 | 0,002 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».