Understanding individual differences in non-ordinary state of consciousness: Relationship between phenomenological experiences and autonomic nervous system
Notice bibliographique
Résumé
Non-ordinary states of consciousness offer a unique opportunity to explore the interplay between phenomenological experiences and physiological processes. This study investigated individual differences in phenomenological and autonomic nervous system changes between a resting state condition and a non-ordinary state of consciousness (auto-induced cognitive trance, AICT). Specifically, it examined the relationship between self-reported experiences (e.g., absorption, visual representations) and heart rate variability (HRV). Twenty-seven participants underwent electrocardiography recordings and completed self-report questionnaires during rest and AICT. A machine learning framework distinguished the rest and AICT states based on self-reported measures and HRV metrics. A linear mixed-effects model assessed inter-individual differences in HRV and self-reported phenomenology between the two states. Finally, the relationship between relative change in HRV and self-reported experiences was explored. Results showed changes in self-reported phenomenology (accuracy=86 %; p <.001) and HRV (accuracy=73 %; p <.001) characterizing the AICT state compared to rest. The baseline level in phenomenology or HRV was associated with change amplitude during AICT. Moreover, relative change in HRV was associated with change in phenomenology. The findings suggest that inter-individual differences at rest revealed a functional mechanism between phenomenology and the autonomic nervous system during non-ordinary states of consciousness, offering a novel perspective on how physiological mechanisms shape subjective experiences.
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 | 0,003 | 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 | 0,000 | 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 ».