Can cognitive inflexibility reduce symptoms of anxiety and depression? Promoting the structural nested mean model in psychotherapy research
Notice bibliographique
Résumé
OBJECTIVE: To estimate the causal effect of executive functioning on the remission of depression and anxiety symptoms in an observational dataset from a vocational rehabilitation program. It is also an aim to promote a method from the causal inference literature and to illustrate its value in this setting. METHOD: With longitudinal (four-time points over 13 months) data from four independent sites, we compiled a dataset with 390 participants. At each time point, participants were tested on executive function and self-reported symptoms of anxiety and depression. We used g-estimation to evaluate whether objectively tested cognitive flexibility affected depressive/anxious symptoms and tested for moderation. Multiple imputations were used to handle missing data. RESULTS: The g-estimation showed a strong causal effect of cognitive inflexibility reducing depression and anxiety and modified by education level. In a counterfactual framework, a hypothetical intervention that could lower cognitive flexibility seemed to cause improvement in mental distress at the subsequent time-point (negative sign) for low education. The less flexibility, the larger improvement. For high education, the same but weaker effect was found, with a change in sign, negative during the intervention and positive during follow-up. DISCUSSION: An unexpected and strong effect was found from cognitive inflexibility on symptom improvement. This study demonstrates how to estimate causal psychological effects with standard software in an observational dataset with substantial missing and shows the value of such methods.
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 | 0,018 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».