Exploring when to exploit: the cognitive underpinnings of foraging-type decisions in relation to psychopathy
Notice bibliographique
Résumé
Impairments in reinforcement learning (RL) might underlie the tendency of individuals with elevated psychopathic traits to behave exploitatively, as they fail to learn from their mistakes. Most studies on the topic have focused on binary choices, while everyday functioning requires us to learn the value of multiple options. In this study, we evaluated the cognitive correlates of naturalistic foraging-type decision-making and their electrophysiological signatures in a community sample (n = 108) with varying degrees of psychopathic traits. Reinforcers with different salience were included in a foraging-type decision-making task. Recruitment of various cognitive processes was estimated with a computational model and electrophysiology, and the relationships to psychopathic traits were assessed. Higher Antisocial traits were associated with a bias towards expecting more volatility in the environment when high-salience reinforcers were used. Additionally, higher levels of Interpersonal traits were associated with reduced learning from personalized rewards, as evidenced by reductions in the prediction errors (PEs) about rate of change. Higher Affective traits were associated with lower PEs and aberrant learning from painful punishments. Lastly, the PEs about rate of change were reflected in the trial-wise trajectories of Feedback-Related Negativity event-related potentials. Together, our results point to the importance of volatility processing in understanding aberrant decision-making in relation to psychopathy, demonstrate the relationships between psychopathic traits and learning through reward and punishment, and emphasise the potentially more beneficial effect of personalized rewards and punishment for improving reinforcement-based decision-making in individuals with elevated psychopathic traits.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».