Do Overweight People Have Worse Cognitive Flexibility? Cues-Triggered Food Craving May Have a Greater Impact
Notice bibliographique
Résumé
BACKGROUND: Overweight people have been revealed to have poor cognitive flexibility. Cognitive flexibility reflects proactive and reactive control abilities. However, the impairment had not been explicitly positioned at the cognitive stage. Therefore, this study provides increased support for impairment of cognitive flexibility due to overweight. METHOD: The study included 34 overweight and 35 normal-weight participants. They were required to complete the food and flower target AX-continuous performance test (AX-CPT), including the resting-state fMRI and cue-triggered food craving subscales. We compared the performance difference between the two tasks. Furthermore, we investigated whether the cue-triggered food cravings and the corresponding brain regions mediated the effect of overweight on the two control mechanisms. RESULT: Significant differences were found only in the food target AX-CPT task, where overweight participants performed worse. Cue-triggered food cravings mediated this relationship. Additionally, we found that the brain regions associated with cue-triggered food cravings (bilateral SFG) can completely mediate the relationship between BMI and the z-value of the fat mass index and sensitivity to proactive control. CONCLUSION: In the food target task, overweight participants performed worse in both control mechanisms. Moreover, we also revealed the potential mechanism by which being overweight might affect the two control mechanisms through cue-triggered food cravings.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 ».