Blunted neural response to errors prospectively predicts increased symptoms of depression during the COVID-19 pandemic.
Notice bibliographique
Résumé
Symptoms of depression have increased during the COVID-19 pandemic, possibly due to increases in both chronic and episodic stress exposure. Yet these increases are being driven by a subset of people, leading to questions of what factors make some people more vulnerable. Individual differences in neural response to errors may confer vulnerability to stress-related psychopathology. However, it is unclear whether neural response to errors prospectively predicts depressive symptoms within the context of chronic and episodic stress exposure. Prior to the pandemic, neural response to errors, measured by the error-related negativity (ERN), and depression symptoms were collected from 105 young adults. Beginning in March 2020 and ending in August 2020, we collected symptoms of depression and exposure to pandemic-related episodic stressors at eight time points. Using multilevel models, we tested whether the ERN predicted depression symptoms across the first 6 months of the pandemic, a period of chronic stress. We also examined whether pandemic-related episodic stressors moderated the association between the ERN and depression symptoms. A blunted ERN predicted increased depression symptoms across the early part of the pandemic, even after adjusting for baseline depression symptoms. Moreover, episodic stress interacted with the ERN to predict concurrent symptoms of depression: For individuals exposed to greater episodic stress, a blunted ERN was associated with increased depressive symptoms at each timepoint during the pandemic. These findings indicate that blunted neural response to errors may enhance risk for depression symptoms under conditions of real-world chronic and episodic stress. (PsycInfo Database Record (c) 2023 APA, all rights reserved).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».