Neural network topology in children’s deceptive behaviors: The role of cognitive control and reward processing
Notice bibliographique
Résumé
The neural mechanisms related to children's deceptive behaviors remain relatively unexplored. This study aims to address this gap by using measures of functional brain network topology, focusing on the cognitive control and reward processing networks that are closely related to children's deceptive behaviors. The study included 113 6-year-old children from the Growing Up in Singapore Towards Healthy Outcomes (GUSTO) project, a birth cohort study. Children participated in the Dart Game designed to assess their tendencies to cheat and lie. During the game, children were required to throw the ball at a long-distance dartboard without supervision, which provided opportunities to cheat by breaking the rules. After the game, children were questioned about whether they had followed the rule, which provided them with opportunities to lie. Resting-state functional magnetic resonance imaging (rs-fMRI) data were collected from all children at the same age during a different visit. We compared three network topology measures (cognitive control network recruitment, reward processing network recruitment and reward-control network integration) between non-cheaters and cheaters, as well as between non-liars and liars. The results showed that a higher degree of cognitive control network recruitment was associated with a greater likelihood of lying. Moreover, a higher degree of reward-cognitive control network integration was associated with a lower likelihood of cheating and lying. The degree of reward processing network recruitment was not associated with deceptive behaviors. These findings help to elucidate how neural mechanisms of cognitive control and reward processing contribute to deceptive behaviors in young children.
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 | 0,008 |
| 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 | 0,001 | 0,002 |
| 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 ».