Expectations and uncertainty shape pain perception during learning
Notice bibliographique
Résumé
Pain perception is modulated by expectations and learning processes, but the influence of uncertainty in this relationship is not well established. We aimed to examine the relationship between uncertainty, pain learning and perception using hierarchical Bayesian modeling. In an aversive learning task, fifty participants learned contingencies between auditory cues and painful stimulations under changing levels of uncertainty to create periods of stability and volatility. Model-free analysis of our data suggested unexpected trials resulted in reduced accuracy and greater response times. In unexpected trials, high pain perception was reduced, while low pain perception was increased, in line with documented effects of expectations on pain perception. Computational model fitting revealed participants' learning was best described by a two-level hierarchical gaussian filter model, suggesting participants adapted their beliefs at multiple levels during the task. Uncertainty influenced pain perception in opposite patterns for high and low pain stimulations: high pain perception was greater under high levels of uncertainty, while there was a non-significant trend for low pain perception to be reduced. Analyses of individual differences suggested depressive symptoms were associated with a reduced learning rate throughout the task. These results shed light on processes involved in pain learning in changing environments. They also suggest a possible relationship between learning alterations and psychological traits commonly found in chronic pain, such as depressive symptoms. PERSPECTIVE: This article explores the influence of varying levels of uncertainty on pain perception and learning. Findings reveal that uncertainty modulates pain perception differently depending on pain intensity and that pain learning is influenced by psychological traits. These results contribute to our understanding of pain modulation in dynamic environments.
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 | 0,001 | 0,008 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».