The Association Between Emotional Expressivity in Autobiographies from Early Adulthood and the Risk of Dementia in the Context of Written Language Skills
Notice bibliographique
Résumé
Background: Risk factors for dementia, such as Alzheimer's disease, are complex and span a lifetime. Exploring novel factors, such as characteristics of writing, may provide insight into dementia risk. Objective: To investigate the association between emotional expressivity and risk of dementia in the context of a previously identified risk factor, written language skills. Methods: The Nun Study recruited 678 religious sisters aged 75 + years. Of these, 149 U.S.-born participants had archived autobiographies handwritten at a mean age of 22 years. The autobiographies were scored for frequency of emotion word usage and language skills (e.g., idea density). The association of emotional expressivity and a four-level composite variable (combining high/low emotional expressivity and high/low idea density) with dementia was assessed using logistic regression models adjusted for age, education, and apolipoprotein E. Results: Within the composite variable, odds of dementia increased incrementally, with opposing effects of emotional expressivity across the two idea density levels. Compared to the referent category (low emotional expressivity/high idea density), the risk of dementia increased in those with high emotional expressivity/high idea density (OR = 2.73, 95% CI = 1.05-7.08), while those with low emotional expressivity/low idea density had the highest risk (OR = 18.58, 95% CI = 4.01-86.09). Conclusion: Dementia risk is better captured by inclusion of multiple measures relating to characteristics of writing. Emotional expressivity may be protective when individuals are at increased risk due to poor written language skills (i.e., low idea density), but detrimental when not at risk (i.e., high idea density). Our findings indicate that emotional expressivity is a contextually-dependent novel risk factor for dementia.
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 | 0,001 | 0,005 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».