The Psychophysiological Correlates of Emotion Processing in Dysphoria
Notice bibliographique
Résumé
The most recent extension of the cognitive vulnerability model of depression suggests that people with mild symptoms of depression (i.e. dysphoria) will show cognitive biases primarily at early information-processing stages, while people with severe symptoms of depression (i.e. clinical depression) will show cognitive biases at late information-processing stages. To date, however, few studies have empirically explored early cognitive biases in dysphoric samples. Here, I manipulated task-relevance to functionally dissociate implicit and explicit emotional processing and used scalp electroencephalograms (EEG) to look at information-processing stages in dysphoric participants. High-density EEG was recorded during the traditional task used to study cognitive biases, the emotional Stroop task (experiment 1), and an emotional word categorization task (experiment 2). Then, in my analyses, unlike previous studies, I focused particularly on early (< 300 ms) frontal ERP effects that differentiated a group with dysphoria from a comparison group with few depression symptoms. I found that early ERP components over frontal scalp were significantly amplified in the dysphoric group, while common measures of late stage processing, such as the emotion-related late posterior positivity (LPP) and reaction time, did not differentiate groups, regardless of task. Next, to show that these effects could be replicated with non-word stimuli, I used emotional faces. Emotional faces are commonly used in ERP studies of attention and emotion, and are the most common stimuli used in neuroimaging studies of depression. As such, by using LORETA source analyses, I was able to tie my ERP findings into a wider literature. This work therefore lends support to the recent extension of the cognitive vulnerability model of depression, and contextualizes the previous cognitive bias results in the wider attention, emotion and depression literatures. This dissertation concludes with a suggestion that future studies carefully differentiate between-group and within-group effects, use different paradigms to dissociate “fast” vs. “slow” effects, and address the usefulness of early biases to predict the onset of depression through longitudinal studies.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».