Deciphering the mediating role of childhood maltreatment in the association between genetic risk and developmental trajectories of school-age reactive and proactive aggression
Notice bibliographique
Résumé
Abstract Background: Childhood maltreatment is a robust predictor of aggression. Research indicates that both maltreatment experiences and aggression are moderately heritable. It has been hypothesized that gene–environment correlation may be at play, whereby genetic predispositions to aggression in parents and children may be confounded with family environments conducive to its expression. Building on this framework, we tested whether maltreatment mediates the association between a polygenic score for aggression (PGS AGG ) and school-age aggression, and whether this varied for reactive and proactive aggression. Methods: The sample comprised 721 participants (44.9% males; 99.0% White) with prospective assessments of maltreatment from 5 months to 12 years (10 assessments;1998–2010), and teachers-reported aggression from ages 6 to 13 (6 assessments; 2004–2011). The PGS AGG was derived using a Bayesian estimation method (PRS-CS). Results: PGS AGG was associated with most aggression measures across specific ages and trajectories. Maltreatment experiences partially mediated the association between PGS AGG and the Childhood-Limited trajectory of reactive – but not proactive – aggression. Conclusion: Children with higher genetic propensities for aggression were more likely to experience maltreatment, which partly explained the association between PGS AGG and a Childhood-Limited trajectory of reactive aggression during elementary school. This finding reinforces the possibility of confounding influences between genetic liability for aggression and maltreatment experiences.
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 | 0,001 | 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 ».