Le biais d’attribution d’intention hostile et les traits de la personnalité limite : Une étude de potentiel relié aux évènements.
Bibliographic record
Abstract
Ce mémoire s’intéresse aux processus cognitifs sous-tendant les comportements agressifs réactifs auprès d’une population possédant des traits de la personnalité limite (TPL), mais pas nécessairement le diagnostic TPL. Une association a été démontrée entre le biais d’attribution d’intention hostile (BAIH) et les comportements agressifs, mais cette relation n’a pas encore été considérée auprès d’une population possédant des traits TPL. Pour atteindre cet objectif, une réplication méthodologique de l’étude de Gagnon et coll. (2016) qui propose une méthode d’évaluation du BAIH par le biais de la méthode de potentiel relié aux évènements (PRÉ) a été effectuée. La tâche de violation des attentes hostiles utilisée permet d’éliciter une composante N400, représentant une déflexion négative dans le tracé des PRÉs lorsque les attentes du sujet sont violées. Le second objectif visait à vérifier l’hypothèse selon laquelle le BAIH aurait un effet médiateur dans la relation entre les traits TPL et l’agressivité réactive. Soixante-trois personnes ont participé à l’étude. Le Personality Assessment Inventory-Borderline (PAI-BOR) a permis de mesurer les traits TPL des participants et le Reactive-Proactive Aggression Questionnaire (RPQ) de mesurer leur tendance à réagir de manière agressive. Les résultats ont permis de confirmer la relation entre les traits TPL et l’agressivité réactive, et entre le BAIH et l’agressivité réactive. L’effet médiateur attendu n’a pas été retrouvé entre l’effet N400 de la condition non hostile mesurant la violation des attentes hostiles, et la relation entre les traits TPL et l’agressivité réactive. D’autres études seraient nécessaires avant de pouvoir affirmer que des interventions basées sur les interprétations en situation sociale seraient efficaces.
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 | 0.012 | 0.063 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".