The Continuum from Temperament to Mental Illness: Dynamical Perspectives
Notice bibliographique
Résumé
Temperament in healthy individuals and mental illness have been conjectured to lie along a continuum of neurobehavioral regulation. This continuum is frequently regarded in dimensional terms, with temperament and mental illness lying at opposite poles along various dimensional descriptors. However, temperament and mental illness are quintessentially dynamical phenomena, and as such there is value in examining what insights can be arrived at through the lens of our current understanding of dynamical systems. The formal study of dynamical systems has led to the development of a host of markers which serve to characterize and classify dynamical systems and which could be used to study temperament and mental illness. The most useful markers for temperament and mental illness apply to time series data and include geometrical markers such as (strange) attractors and repellors and analytical markers such as fluctuation spectroscopy, scaling, entropy, recurrence time. Temperament and mental illness, however, possess fundamental characteristics that present considerable challenges for current dynamical systems approaches: transience, contextuality and emergence. This review discusses the need for time series data and the implications of these three characteristics on the formal study of the continuum and presents a dynamical systems model based upon Whitehead's Process Theory and the neurochemical Functional Ensemble of Temperament model. The continuum can be understood as second or higher order dynamical phases in a multiscale landscape of superposed dynamical systems. Markers are sought to distinguish the order parameters associated with these phases and the control parameters which describe transitions among these dynamics.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».