Disentangling Aging and Mood Effects on Emotional Memory
Notice bibliographique
Résumé
Older adults tend to be in a more positive mood than young adults, and tend to remember positive information more often than negative information, yet the link between their positive mood and their positive memory bias has not often been explored. In this study, we manipulated young and older adults’ moods prior to their completing an emotional memory task. For mood manipulation, young ( n = 147) and older ( n = 111) adults viewed a positive, negative, or neutral video lasting 3 min. To validate the mood induction, we collected self-reported ratings of valence and arousal (affective slider; Betella and Verschure, 2016 ) at baseline, after the video, and after the memory task. The memory task consisted of incidental encoding of 30 intermixed pictures (10 positive, 10 negative, 10 neutral valence), followed by free recall. The mood manipulation changed people’s self-reported valence, yet it did not influence self-reported arousal. The memory task revealed a consistent negativity bias in young adults. Older adults recalled negative and positive pictures equally well in all conditions. After viewing a negative video, they recalled positive pictures more often than neutral pictures, but did not show the same advantage for negative pictures over neutral pictures. This positive memory advantage was weaker in the positive mood condition. Therefore, mood manipulation influenced in part older adults’ emotional memory bias, showing some signs of mood incongruence which we discuss in terms of emotion regulation. This shows the importance of accounting for mood differences in studies on aging and memory. The robust age group differences support the view that the positivity effect in aging is the result of a negativity bias that fades with age.
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) | 0,000 | 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 | 0,001 |
| 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 ».