Exploring the Relationship Between Childhood Maltreatment, Alexithymia, and Facial Emotional Recognition in Schizophrenia
Notice bibliographique
Résumé
BACKGROUND: Childhood maltreatment is a significant factor affecting social cognition in schizophrenia (SCZ) patients. However, the relationship between childhood maltreatment, alexithymia, and facial emotional recognition in SCZ remains unclear. METHODS: SCZ patients in stable phase (n = 90) and healthy controls (n = 47) were included according to the DSM-5 criteria. Clinical symptoms were assessed using the Positive and Negative Syndrome Scale (PANSS), childhood maltreatment was evaluated using the Childhood Trauma Questionnaire (CTQ), and alexithymia was assessed using the Toronto Alexithymia Scale-20 (TAS-20) to evaluate the ability to identify, describe, and express emotions. Social cognition was assessed using the Facial Emotion Recognition Test. RESULTS: Our findings indicate significant differences in CTQ, TAS-20, and facial emotional recognition between the two groups, with the SCZ group showing more severe impairments. Pearson correlation analysis showed that correct facial emotion recognition was negatively correlated with childhood maltreatment and alexithymia (p < 0.05). Stepwise regression analysis further revealed that the total PANSS score, positive symptom, CTQ total score, and difficulty describing feelings negatively affected the accuracy of facial emotional recognition (p < 0.05). Patients who find it difficult to describe feelings may also have greater difficulty in recognizing facial expressions of anger. CONCLUSION: Good psychosocial functioning can mitigate the negative impact of childhood maltreatment on the severity of illness in SCZ patients. Therefore, psychotherapy that promotes personal expression is useful in the treatment of SCZ.
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 ».