O impacto do afeto positivo e negativo na cognição
Bibliographic record
Abstract
O presente estudo pretende analisar a relação entre os afetos (positivos e negativos) e a neurocognição em participantes de diferentes faixas etárias. Para este propósito, 135 participantes foram divididos em três grupos, de acordo com a faixa etária: jovens adultos (n=45), meia-idade (n=49) e mais velhos (n=41). Os participantes foram avaliados através do Montreal Cognitive Assessment (MoCA) para detetar a presença de declínio cognitivo, os subtestes de vocabulário e compreensão da Wechsler Adult Intelligence Scale (WAISII) para avaliar as competências neurocognitivas integradas na inteligência cristalizada, o Teste de Inteligência Não-Verbal (TONI) e o Wisconsin Card Sorting Test (WCST) para avaliar as competências neurocognitivas integradas na inteligência fluida. O afeto foi avaliado através da Positive and Negative Affect Schedule (PANAS). Os resultados sugerem que o envelhecimento está associado a um declínio gradual nas funções cognitivas, especialmente nas que fazem parte da inteligência fluida, enquanto competências cristalizadas como a compreensão e o vocabulário permanecem relativamente preservadas pela idade. No entanto, embora se tenha observado uma correlação entre afeto positivo e algumas funções cognitivas — como a compreensão do grupo de meia-idade e a inteligência não verbal no grupo mais velho —, os dados não confirmaram consistentemente que o afeto positivo se correlaciona positivamente com a cognição. O afeto negativo, por outro lado, não mostrou uma relação significativa com as funções cognitivas. O estudo também apoiou o modelo bi-fatorial de afeto, que considera o afeto positivo e negativo como dimensões independentes da experiência emocional. Investigações futuras devem investigar o efeito de outras variáveis na cognição, tais como o estilo de vida, variáveis socioeconómicas, perturbações psicológicas e predisposições genéticas. Também é essencial analisar o impacto da medicação, incluindo interações medicamentosas que possam afetar a cognição.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.001 | 0.002 |
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; both teacher heads agree on what is shown here.
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".