Early Adversity and Reactive Aggression in Adulthood: A Moderated Mediation Analysis of Hostile Attribution Bias and Emotional Processing
Notice bibliographique
Résumé
Uncovering the underlying mechanisms involved in reactive aggression is essential to better understanding and managing this harmful behavior. Extant research has provided evidence supporting the relation between adverse childhood experiences (ACEs; e.g. abuse, neglect, witnessing interpersonal violence) and reactive aggression in adulthood. Yet, critical questions about how emotional processes might interact with cognitive biases in the relation between early adversity and later reactive aggression remain largely unanswered. The rationale of the present study was to address this gap. Participants were recruited from an undergraduate participant pool and an international crowdsourcing platform to complete an online survey. Conditional process analysis was conducted to test a moderated mediation model, which hypothesized that the relation between ACEs and reactive aggression would be mediated by hostile attribution bias (HAB) and that emotional understanding (EU) and emotion management (EM) abilities would moderate this indirect effect. The hypothesized model was partially supported (N = 225), such that higher levels of ACEs predicted higher levels of reactive aggression in adulthood, and this relation was mediated by HAB. Additionally, low and average levels of EU ability interacted with ACEs and strengthened the observed effect on HAB scores. Contrary to predictions, EM ability was not a significant moderator. Findings are reviewed in the context of understanding and supporting the social information and emotional processing of adults with historical ACEs and current reactive aggression. Theoretical and practical implications of integrating cognitive and emotional processing frameworks in this area are discussed.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».