Facial emotion recognition accuracy in women with symptoms of polycystic ovary syndrome: Reduced fear and disgust perception
Notice bibliographique
Résumé
BACKGROUND: Research suggests that women with polycystic ovary syndrome (PCOS) are more likely to suffer from mental health disorders, emotional distress, and have altered hormone profiles (e.g., higher androgens). Past research suggests facial emotion processing is affected by hormones (e.g., androgens), mental health-related disorders, and may be altered in PCOS. OBJECTIVES: The present study examined whether facial emotion recognition (FER) differs between women with and without PCOS symptoms. DESIGN: Observational case-control design. METHODS: = 178) completed a FER task that involved identifying emotions (anger, disgust, fear, happiness, sadness, surprise, or neutral) in images of emotional faces. Overall emotion recognition and emotion-specific accuracy were examined. PCOS symptom severity and provisional diagnoses were also assessed in women via self-report measures, including the polycystic ovary syndrome questionnaire. RESULTS: Women with provisional PCOS had significantly lower emotion recognition accuracy than those without PCOS, and emotion-specific differences were found for fear and disgust. A significant linear effect also emerged for overall FER, revealing men as the least accurate, followed by women with provisional PCOS, and then women without PCOS. CONCLUSIONS: The results suggest that women with PCOS may have difficulty with emotion recognition, especially fear and disgust. The sex difference in emotion recognition was in line with previous research. These findings are consistent with the theory that androgens affect emotion recognition and suggest implications for PCOS symptoms on women's emotional well-being and socioemotional functioning.
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 | 0,000 |
| 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 ».