Beyond the simplicity of theory of mind deficit in multiple sclerosis: from kinetic perception to socio-emotional abstraction and mentalizing
Notice bibliographique
Résumé
BACKGROUND: Theory of Mind (ToM) processing in Multiple Sclerosis (MS) is still poorly understood due to the difficulty of most tasks in qualifying the mentalizing deficit net of cognitive load. METHODS: In this study, we administered the New False Belief Animation Task (NFBAT) to 50 MS and 33 healthy controls (HC) to investigate spontaneous mentalizing in ToM and goal-directed interactions. The global cognitive level was assessed by the Montreal Cognitive Assessment (MoCA). NFBAT appropriateness and intentionality scores were computed to investigate the ToM accuracy and intentionality attribution difficulties. NFBAT answers were qualitatively analyzed and categorized into kinetically and socially coherent/not coherent responses to test a low-level perceptual deficit. RESULTS: The main result showed dysfunctional mentalizing reasoning in MS compared to HC in the NFBAT Intentionality score in ToM conditions (p = 0.028, d = 0.501), while the two groups were equally proficient in mentalization accuracy. The Intentionality underperformance in MS was related to social low-level perceptual processing (β =0.06, p < 0.001) and visuospatial functions (β =0.05, p =0.002). A predictive role of memory and executive functions on NFBAT Intentionality scores was not observed. CONCLUSION: These results strengthen the hypothesis that ToM in MS is likely related to low-level social processing.
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 | 0,000 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».