Transdiagnostic cognitive biases in psychiatric disorders: A systematic review and network meta-analysis
Notice bibliographique
Résumé
Psychiatric disorders are characterized by cognitive deficits, which have been proposed as a transdiagnostic feature of psychopathology (“C” factor). Similarly, cognitive biases (e.g., in attention, memory, and interpretation) represent common tendencies in information processing that are often associated with psychiatric symptoms. However, the question remains whether cognitive biases are also transdiagnostic or are specific to certain psychiatric disorders/symptoms. The current systematic review (osf.io/znf4q) sought to address whether the proposed “C” factor of transdiagnostic cognitive dysfunction in psychopathology can be extended to cognitive biases. Overall, 31 studies comprising 4401 participants (2536 patients, 1865 non-clinical controls) across 21 diagnostic categories met inclusion criteria, assessing 19 cognitive biases with most studies focusing on interpretation (k = 22) and attention (k = 11) biases, with only 2 assessing memory biases. Traditional meta-analyses found a moderate effect size (g = 0.32) for more severe cognitive biases in all patients relative to non-clinical controls, as well as small but significant associations between interpretation biases and transdiagnostic symptom categories (general psychopathology: r = .20, emotion dysfunction: r = 0.17, psychotic symptoms: r = 0.25). Network meta-analyses revealed significant patient versus control differences on attention and interpretation biases across diagnoses, as well as significant differences between diagnoses, with highest severity in panic disorder for attention biases and obsessive-compulsive disorder for interpretation biases. The current findings support a big “C” interpretation of transdiagnostic cognitive dysfunction in psychiatric disorders, extending the concept to cognitive biases and transdiagnostic symptom dimensions. They also suggest that while the presence of cognitive biases is transdiagnostic, bias severity differs across diagnoses, as in traditional neurocognitive deficits.
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 | 0,017 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,029 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».