Neurophysiological responses to emotional faces predict dynamic fluctuations in affect in adolescents
Notice bibliographique
Résumé
The ability to accurately identify and interpret others' emotions is critical for social and emotional functioning during adolescence. Indeed, previous research has identified that laboratory-based indices of facial emotion recognition and engagement with emotional faces predict adolescent mood states. Whether socioemotional information processing relates to real-world affective dynamics using an ecologically sensitive approach, however, has rarely been assessed. In the present study, adolescents (N = 62; ages 13-18) completed a Facial Recognition Task, including happy, angry, and sad stimuli, while EEG data were acquired. Participants also provided ecological momentary assessment (EMA) data probing their current level of happiness, anger, and sadness for 1-week, resulting in indices of emotion (mean-level, inertia, instability). Analyses focused on relations between (1) accuracy for and (2) prolonged engagement with (LPP) emotional faces and EMA-reported emotions. Greater prolonged engagement with happy faces was related to less resistance to changes in happiness (i.e., less happiness inertia), whereas greater prolonged engagement with angry faces associated with more resistance to changes in anger (i.e., greater anger inertia). Results suggest that socioemotional processes captured by laboratory measures have real-world implications for adolescent affective states and highlight potentially actionable targets for novel treatment approaches (e.g., just-in-time interventions). Future studies should continue to assess relations among socioemotional informational processes and dynamic fluctuations in adolescent affective states.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,005 |
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 ».