Influence de la mémoire de travail sur la perception du désagrément
Bibliographic record
Abstract
Des études précédentes ont suggéré que les fonctions exécutives impactent la douleur par des processus d'autocontrôle impliquant des ressources communes et limitées : le fait d'exercer du contrôle pour réaliser une tâche exécutive épuise les capacités pour contrôler ensuite la douleur. Dans ce contexte, cette étude vise à investiguer l'influence d'une tâche de mémoire de travail (MdT) sur le désagrément induit avec une pince Algopeg. Il est attendu qu'une tâche de MdT mobilisant beaucoup de ressources, comparé à une tâche en mobilisant moins, augmente l'évaluation du désagrément. Pour tester cette hypothèse, un plan expérimental intra-sujets a été utilisé. Les résultats n'ont pas montré de différences significatives sur l'évaluation du désagrément suite à ces deux tâches. Toutefois, des analyses complémentaires se basant sur un plan inter-sujets ont révélé qu'une tâche de MdT mobilisant beaucoup de ressources augmente l'évaluation de la douleur. Ces résultats soutiennent l'idée que la capacité d'autocontrôle joue un rôle dans la modulation de la douleur.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 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) | 0.011 | 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".