Influence des variables de trait et d'état sur le contenu affectif des rêves de tous les jours
Bibliographic record
Abstract
Bien que des émotions soient rapportées dans une vaste majorité de rêves, nous en savons encore peu sur les facteurs qui expliquent les variations d’une nuit à l’autre et d’une personne à l’autre dans l’expérience affective des rêves. Nous avons examiné la relation entre des variables de trait et d’état à l’éveil en testant des modèles multiniveaux destinés à prédire la valence affective des rêves de tous les jours. Des participants de la population générale ont complété des mesures de personnalité et d’historique de traumatismes, suivies de trois semaines de questionnaires quotidiens sur leur rappel de rêves, la valence des émotions rêvées, ainsi que leurs niveaux de stress perçu dans la journée et avant le coucher. Les effets intra-individuels étaient responsables d’une majorité de la variance en valence émotionnelle des rêves. L’anxiété de trait était la seule variable à prédire de façon statistiquement significative la valence émotionnelle des rêves au niveau inter-individuel. En accentuant le besoin de mesures plus affinées dans ce domaine de la recherche sur les rêves, nos résultats font ressortir des limites et biais méthodologiques associés à l’estimation rétrospective de l’affect général à l’éveil et en rêve, en plus de mettre en évidence des variables d’état qui pourraient mieux expliquer la variance intra-individuelle des émotions vécues dans les rêves de tous les jours.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".