Facial emotion recognition in adolescent depression: The role of childhood traumas, emotion regulation difficulties, alexithymia and empathy
Notice bibliographique
Résumé
Introduction: Facial emotion recognition (FER) is crucial for effective social competency, and problems in this skill are linked depression during adolescence. In this study, we aimed to find the rates of FER accuracy for negative (fearful, sad, angry, disgusted), positive (happy, surprised), and neutral emotions, and the possible predictors of FER skill for most confusing emotions. Subjects and Methods: A total of 67 drug-naive adolescents with depression (11 boys, 56 girls; 11-17 years) were recruited for the study. The facial emotion recognition test, childhood trauma questionnaire and basic empathy, difficulty of emotion regulation, and Toronto alexithymia scales were used. Results: The analysis demonstrated that adolescents have more difficulties in recognizing negative emotions when compared the positive ones. The most confusing emotion is fear (39.8% of fear was recognized as surprise). Boys have lower fear recognition skill than girls and higher childhood emotional abuse, physical abuse, emotional neglect, and difficulty in describing feelings to predict lower fear recognition skill. For sadness recognition skill, emotional neglect, difficulty in describing feelings, and depression severity were the negative predictors. Emotional empathy has a positive effect on disgust recognition skill. Conclusion: Our findings demonstrated that impairment of FER skill for negative emotions is associated with childhood traumas, emotion regulation difficulties, alexithymia, and empathy symptoms in adolescent depression.
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 | 0,001 | 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 ».