Learning to downregulate fear associations: Evidence from overexpectation in females.
Notice bibliographique
Résumé
At the core of adaptive behavior is the ability to accurately predict relationships between environmental events. Such predictions require associative relationships to be updated in the face of changing contingencies. One example of such updating is the overexpectation effect. Prior investigations into overexpectation in the appetitive domain revealed that female rats require additional training to manifest the effect compared to males. This finding raises two possibilities, namely, that females are also slower at updating (reducing) fear expectancies in overexpectation, reflecting a general learning trait across valence domains, or, conversely, that they are comparable or perhaps even faster at reducing fear expectancies compared to males. To test these hypotheses, we trained male and female rats in aversive overexpectation. Our results show that while males show the overexpectation effect following two trials of overexpectation training, females are less likely to do so given the same parameters. Increasing the number of overexpectation training trials from two to four yielded a successful overexpectation effect in females. These results align with prior research in the appetitive domain (Lay, Frate, et al., 2020), providing evidence that females require more trials to downregulate previously acquired associations, whether the outcome is appetitive or aversive. These data carry important implications for the behavioral, neural, and hormonal mechanisms that support reduction in conditioned responding in both sexes and may shed light on sex differences reported in anxiety-related disorders. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
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 | 0,000 | 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 ».