Emotional descriptions increase accidental harm punishment and its cortico-limbic signatures during moral judgment in autism
Notice bibliographique
Résumé
Abstract Individuals with autism spectrum disorder (ASD) present difficulties in integrating mental state information in complex moral tasks. Yet, ASD research has not examined whether this process is influenced by emotions, let alone while capturing its neural bases. We investigated how language-induced emotions modulate intent-based moral judgment in ASD. In a fMRI task, 30 adults with ASD and 27 neurotypical controls read vignettes whose protagonists commit harm either accidentally or intentionally, and then decided how much punishment the protagonist deserved. Emotional content was manipulated across scenarios through the use of graphic language (designed to trigger arousing negative responses) vs. plain (just-the-facts, emotionless) language. Off-line functional connectivity correlates of task performance were also analyzed. In ASD, emotional (graphic) descriptions amplified punishment ratings of accidental harms, associated with increased activity in fronto-temporo-limbic, precentral, and postcentral/supramarginal regions (critical for emotional and empathic processes), and reduced connectivity among the orbitofrontal cortex and the angular gyrus (involved in mentalizing). Language manipulation did not influence intentional harm processing in ASD. In conclusion, in arousing and ambiguous social situations that lack intentionality clues (i.e. graphic accidental harm scenarios), individuals with ASD would misuse their emotional responses as the main source of information to guide their moral decisions. Conversely, in face of explicit harmful intentions, they would be able to compensate their socioemotional alterations and assign punishment through non-emotional pathways. Despite limitations, such as the small sample size and low ecological validity of the task, results of the present study proved reliable and have relevant theoretical and translational implications.
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 | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».