Amygdala and cortical substrates of subjective well-being: pathways to reduced aggression in emotional processing contexts
Notice bibliographique
Résumé
Subjective well-being has been implicated in the regulation of aggressive behavior, potentially through its influence on mood and neural processing. However, the underlying neuropsychological mechanisms remain insufficiently understood. This study aimed to elucidate the neural correlates of subjective well-being and examine its potential association with aggression using a two-part investigation. The first involved a functional MRI study (n = 111), focusing on amygdala responses to emotional face processing and broader cortical activation related to subjective well-being. The second involved a larger behavioral sample (n = 627) to assess the relationship between subjective well-being and aggression, as well as the mediating role of emotional variables. Behaviorally, subjective well-being was inversely associated with anger, hostility, and overall aggression, and with negative affect, anxiety, and depression. Mediation analyses demonstrated significant effects of mood (negative affect, depression, and anxiety) in linking subjective well-being to aggression. Neuroimaging results revealed that individuals with higher subjective well-being displayed attenuated amygdala reactivity to fearful faces. Additionally, intersubject representational similarity analyses demonstrated that individuals with similar subjective well-being levels shared more convergent neural activation patterns in visual (e.g., occipital pole, lateral occipital cortex, middle temporal gyrus, and fusiform) and the emotional network (e.g., insula), but not within the amygdala. These findings provide novel insights into the neuropsychological mechanisms linking well-being to emotional regulation and aggression.
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 ».