Are aggressive people able to integrate mitigating information into their hostile intent attribution? An ERP study.
Notice bibliographique
Résumé
Current data on the nature of aggressive individuals’ difficulties in reappraising their spontaneous hostile intent attribution are contradictory: they are impulsive and don’t seek out for additional nonhostile cues vs. they pay attention to nonhostile cues but fail to integrate them into their hostile schemas. To better understand the nature of aggressive people’s reappraisal difficulties, we developed an event-related brain potential (ERP) protocol inspired by Zaki’s (2013) cue integration model. The objective of this study was to track the neural activity associated with the violation of expectations about hostile vs. nonhostile intentions in aggressive and nonaggressive individuals when facing conflicting contextual and behavioral cues in a given social situation. We hypothesized that aggressive individuals do not integrate nonhostile contextual information and, therefore, overestimate the behavioral hostile cues. Our sample consisted of women from the community (n=23) and a prison (n=20). Taken together, the results suggest that aggressive individuals demonstrate an impulsivity in their decision-making about other people’s intentions. This would be the case, not because they fail to seek out mitigating information, but rather because they fail to complete the inferential processes about the hostile and nonhostile information before making a judgement about the other’s intent. In contrast with aggressive individuals, non-aggressive people would be able to make a decision when facing conflicting information about the other’s mental state by privileging contextual cues in order to attenuate their attribution of hostile intention based on the behavior of others.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».