Notice bibliographique
Résumé
Learning is controlled by two interacting processes, cognitive and habitual learning. How these two systems are used while we learn in our everyday lives depends on an individual’s context. For example, stress is one contextual factor that consistently has created a shift toward habitual learning. In addition, there is evidence that ovarian hormones can also influence learning processes. However, research investigating these hormonal influences has resulted in inconsistent findings. While there is evidence that both of these contextual factors influence learning processes, there is little research on what effects result from their interaction. Further, while the menstrual cycle is often used to approximate ovarian hormone levels in such studies, it is conceptualized strictly as a biological phenomenon, despite evidence supporting its biopsychosocial characterization. Thus, the current study investigated the individual and interactive effects of chronic stress and ovarian hormones on learning processes, while using a biopsychosocial understanding of the menstrual cycle. Participants (N = 32) completed a probabilistic classification learning task. They also provided salivary measures of estradiol and progesterone, and completed measures of chronic stress and menstrual-related attitudes and beliefs. Results revealed a trending association between progesterone and learning processes. Further, there was an interaction between chronic stress and estradiol in predicting learning process use. Lastly, there were significant correlations between learning processes and various menstrual beliefs. As such, these preliminary results revealed how ovarian hormones and chronic stress interact to influence learning processes, and menstrual attitudes and beliefs can provide a more detailed understanding of these effects.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».