Self-positivity bias and/or other-negativity bias? A comprehensive examination of the ERP correlates of self- and other-referential processing in early adolescence
Notice bibliographique
Résumé
Self-referential information is uniquely salient and preferentially processed even in children. The literature has used the Self-Referent Encoding Task (SRET) combined with ERPs to study the neural substrates of self-referential processing and its role in development. However, no work has implemented a data-driven, comprehensive examination of the ERP correlates of SRET in youths by comparing a self-referential condition with an other-referential condition. Ninety-two 10-to-14-year-old typically developing youths completed an ERP version of the SRET consisting of a self-referential and an other-referential condition, following which they were unexpectedly asked to complete a recognition task of the presented words. A data-driven Principal Components Analysis isolated five SRET-elicited ERPs: P1, P2, N400, and anterior and posterior late positive potential (aLPP, pLPP). Two-way ANOVAs (Referent × Valence) demonstrated a “self-positivity” bias in aLPP, recognition, and memory sensitivity: youths showed an enhanced aLPP, better recognition, and higher memory sensitivity for Self-Positive versus Self-Negative words, whereas no such differences were found between Other-Positive and Other-negative words. Further, a (marginal) “other-negativity” bias was found in pLPP, P2, and recognition: youths displayed an enhanced pLPP and P2 and higher memory sensitivity in the Other-Negative versus Other-Positive condition, whereas no such pattern was observed in the Self conditions. We provided novel evidence on a self-positivity bias that uniquely favored positive self-referential words as well as an other-negativity bias that uniquely favored negative other-referential words. These findings contribute to our mechanistic knowledge of self-referential processing in youths and inform future studies on the role of self-referential processing in socioemotional development.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».