Analyzing the effects of high autistic traits on neural markers of learning and memory: An EEG approach analysis
Notice bibliographique
Résumé
• High autistic traits participants perform as well as low autistic traits participants on learning, memory, and decision-making tasks. • High autistic traits participants perceived their task performance as worse than low autistic traits participants. • Effects of group were present for frontal theta during both tasks. • There were no component or correlational differences observed between groups. A body of electroencephalographic (EEG) research demonstrates that executive functioning (EF) differences exist in autistic people. Here, we aimed to investigate how and to what extent these EF differences appear in people with high autistic traits in contrast to a low autistic traits comparison. The present study used a series of EEG markers (frontal theta power, frontal beta power, the reward positivity ERP component, and the P300 ERP component) to examine potential differences in EF over the course of gambling and oddball tasks. Qualitative research measures to include the perspectives of the autistic people who took part in the study were also used. While frontal theta and beta power differed between groups, we observed no significant component or correlational differences. However, it was found that high autistic traits participants perceived their task performance as worse than low autistic traits participants despite task performance being equal across groups. EF differences as measured by frontal theta and beta power were observed across groups. Self-perception of task performance may differ in high autistic traits participants when asked to complete tasks under a time constraint.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».