Updating the positivity bias in older adults: how do subjective memory complaints influence emotional distraction in a working memory task?
Notice bibliographique
Résumé
INTRODUCTION: Subjective memory complaints (SMCs), commonly reported by older adults, refer to self-perceived difficulties with memory. While the link between SMCs and objective cognitive decline remains unclear, SMCs may reflect subtle cognitive changes, particularly in working memory, which is known to be influenced by emotional context. Older adults typically display a positivity bias, which is a tendency to focus more on and better remember positive over negative information. However, the positivity bias has yet to be explored in individuals with SMCs. This study aims to address this gap by examining how emotional distractors affect working memory performance in older adults with varying levels of SMCs. METHOD: Forty-seven older adults (ages 55-79) were categorized into low and high SMCs groups based on self-reported memory complaints. Participants completed an emotional n-back task with three levels of cognitive load (0-back, 1-back, 2-back) and emotional distractors (positive, negative, neutral). Task performance was measured using accuracy, response bias, and reaction times. Mixed-design ANOVAs were conducted, with cognitive load, emotional condition, and complaint group as factors. RESULTS: Results revealed significant main effects of cognitive load on performance, with performance declining as task demands increased. A three-way interaction between cognitive load, emotional condition, and complaint group showed that participants with high SMCs were more distracted by positive stimuli under high cognitive load, leading to decreased accuracy. In contrast, participants with low SMCs showed reduced accuracy with positive distractors under low cognitive load. CONCLUSIONS: These findings suggest that emotional distractors, particularly positive ones, affect working memory performance differently in older adults depending on their level of SMCs. Future research should aim to uncover the mechanisms underlying theses effects.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,012 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».