Decision‐making biases in suicide attempters with major depressive disorder: A computational modeling study using the balloon analog risk task (BART)
Notice bibliographique
Résumé
BACKGROUND: In the last decade, suicidality has been increasingly theorized as a distinct phenomenon from major depressive disorder (MDD), with unique psychological and neural mechanisms, rather than being mostly a severe symptom of MDD. Although decision-making biases have been widely reported in suicide attempters with MDD, little is known regarding what components of these biases can be distinguished from depressiveness itself. METHODS: Ninety-three patients with current MDD (40 with suicide attempts [SA group] and 53 without suicide attempts [NS group]) and 65 healthy controls (HCs) completed psychometric assessments and the balloon analog risk task (BART). To analyze and compare decision-making components among the three groups, we applied a five-parameter Bayesian computational modeling. RESULTS: Psychological assessments showed that the SA group had greater suicidal ideation and psychological pain avoidance than the NS group. Computational modeling showed that both MDD groups had higher risk preference and lower ability to learn and adapt from within-task observations than HCs, without differences between the SA and NS patient groups. The SA group also had higher loss aversion than the NS and HC groups, which had similar loss aversion. CONCLUSIONS: Our BART and computational modeling findings suggest that psychological pain avoidance and loss aversion may be important suicide risk factor that are distinguishable from depression illness itself.
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 | 0,001 | 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 | 0,001 | 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 ».