文摘

有证据表明,人们普遍出现了对快乐的偏向面部情绪在实验室的任务,也就是说,他们识别别人的面部情绪快乐比别人的消极的面部表情。然而,并不是每个人都显示了这种偏见。患者抑郁的漏洞,例如,显示低快乐偏见与健康对照组相比。本研究的主要目的是为了获得更好的理解实验室快乐偏差的措施通过研究如何将这些转化为人们的日常生活。我们调查是否稳定的高、低快乐偏见在实验室的任务是与不同的日常生活影响动力学(即有关。,从一个6小时的时间间隔下)。我们比较年轻的成年人的日常生活影响动态(18 - 24岁)和高倾向快乐面部情绪( )影响动态与低倾向的年轻人快乐情绪( )。影响和相关措施评估期间每天三次30天。我们使用多级向量自回归(VAR)模型来估计滞后1影响网络使用的高低偏差组和快乐排列测试比较两组。相比同龄人低快乐的偏见,很高的个人幸福的偏见更强烈持续的影响日常生活经验奖励。很高的个人幸福的偏见可能使用他们的奖励经验更多的优化在日常生活中建立资源,促进健康和心理健康。低回报在日常生活中响应可能关键为什么个体表现出低快乐偏见在实验室的任务是抑郁症的脆弱。这项研究说明了网络的潜在好处的方法解开心理机制。

1。介绍

这是一个有趣的现象,有些人倾向于相对快速识别别人的快乐的面部情绪而另一些则相对快速识别别人的消极的面部表情。快乐的偏见是一种内隐偏见的人可能没有意识到自己;因此,通常与标准化的实验室评估的任务。有一致的证据从实验室研究使用这些任务,人们通常倾向于面部情绪快乐,也就是说,他们通常识别别人的快乐的面部情绪比他人消极的面部情绪(1]。然而,并不是每个人都显示了这种偏见。抑郁个体,例如,显示低快乐健康对照组相比偏差(2- - - - - -4),有迹象表明低高兴偏见开始之前已经存在的抑郁和预测抑郁发作(5,6]。鉴于这些发现和积累的证据表明,最小的构建块的个体的适应和不适应的影响模式是在日常生活中发现影响动力学(7- - - - - -9),一个期望,高和低快乐偏见也反映在日常生活中影响动力学的差异。然而,到目前为止这还没有调查。在目前的研究中,我们观察日常生活相关实验室指标快乐的偏见。我们多么幸福调查偏差在一个标准化的实验室任务转化为日常生活情感动力通过比较日常生活影响动力学(即。,影响从一个6小时的时间间隔下)年轻人之间稳定的高与稳定快乐的偏见和年轻人低快乐的偏见。本研究的主要目的是获得一个更好的理解的重要性和实验室的范围措施快乐偏见在人们的日常生活。我们的发现有望促进实验室指标的解释偏见和快乐,因为我们专注于自适应和不适应的影响动力学,还可能提供线索,为什么低快乐偏见与抑郁的风险增加相关。

日常生活影响的迹象动力促进心理健康(即。,are adaptive) and which ones are associated with depressive problems (i.e., are maladaptive) can be found in both laboratory studies and in studies based on ecological momentary assessments (EMA). Evidence from laboratory tasks suggests that the inability to sustain positive emotions [10,11],无法维持在神经回路激活潜在的积极的影响随着时间的推移和奖励(12],无能摆脱消极的自我指涉的沉思(13)与抑郁症状和临床抑郁症有关。这是进一步发现积极的影响促进复苏从消极情绪体验14,15]。EMA研究还表明,无法维持积极的影响随着时间的推移,在日常生活中与抑郁症状(例如,快感缺乏),总体上以及在临床抑郁人群(16,17]。此外,能够产生积极的影响在日常生活中从愉快的经验预测减少抑郁和焦虑的症状有抑郁症病史的个体(18),在人的童年被暴露在逆境或最近压力性生活事件(19]。综上所述,这些证据表明以下类型的影响动态自适应和促进心理健康:(1)的能力来维持积极的影响和积极的体验(10- - - - - -12,16,17),积极影响的遗留物和积极的经验从一个时间间隔(2)使用积极的体验的能力产生积极的影响,反之亦然(18,19),也就是说,积极体验的遗留物从一个时间间隔积极的影响,反之亦然(3)能够使用积极的影响和积极的经历来抑制消极的影响,负面的思想(即。、沉思)和消极的经历(13- - - - - -15]。

在目前的研究中,我们调查是否高高兴偏差相比于低快乐偏差在一个实验室的任务是与(1)增强反应积极的影响随着时间的推移和积极的经验在日常生活中,有更多的遗留物(即。,从一个时间间隔长达6到下一个),和更多的遗留物从一种积极影响或积极的体验到另一个,和一个更强的阻尼效应的负面影响,思想,和经验;(2)减少反应消极的影响,思想,和经验在日常生活中,用更少的遗留物(即。,from one time interval of 6 hours to the next), less carry-over from one type of negative affect, thoughts, or experience to another, and weaker dampening effects on positive affect and positive experiences.

我们使用一个网络影响动力学方法,这需要心理症状或结构表示为组件交互的复杂动态系统(20.,21),这些动态定义的本质的心理现象(也就是我们研究。、精神疾病、健康)(22]。这种方法可以用来研究横断面症状之间的联系在一个特定的时间点,但同时,在目前的研究中,调查的时间动态影响。这些时间网络由“节点”(即。,the variables in the network) and “edges” (i.e., the directed associations between these nodes from one assessment to the next). See Figure1对于一个虚构的示例包含三个节点的时序网络的“幸福”(HAP),“悲伤”(SAD),“令人担忧的”(磨破)。在这个网络模型,以及我们使用的模型中,每个节点是预测的延迟(即, )所有其他变量和本身。悲伤的时刻例如,预测的 , ,和 。时间网络可以用来研究不同影响组件如何交互作为一个动态系统。他们提供了深刻的相互作用网络的可视化组件,也可以计算中心指数表明网络中每个组件的重要性。

我们比较了日常生活(即动态影响网络。,effects from one time interval of 6 hours to the next) of two groups of young adults with extreme and stable biases to happy facial emotions during a laboratory task. We selected a high happy bias group, consisting of individuals who were considerably more sensitive to happy emotions than to negative emotions, and a low happy bias group, who showed considerably less bias toward happy emotions, or even a bias toward negative emotions.

高和低的影响动态快乐偏见组节点上与奖赏有关反应相比,情绪控制,和抑郁症状。我们选择三个节点,与积极的影响和积极的体验(为了简洁,可读性以后称为积极的节点):“感觉快乐,”“令人愉快的经历,”和“感兴趣”;和四个节点相关的负面影响,消极的想法,和消极的经历(为了简洁,可读性以后称为负节点):“感觉悲伤,”“感到愤怒,”“令人担忧,”和“不愉快的经历。“节点感兴趣,感到悲伤,感到恼怒的相似抑郁症的核心症状根据《精神疾病诊断与统计手册(23],感觉兴趣也反映了开放新的经历并愿意积极的方法,探索外面的世界。节点感觉快乐和愉快的经历尤其相关的迹象表明,高移情的积极情绪随着时间的推移,在日常生活中(17),能够产生积极的影响的增加从日常生活愉快的经历19]可能防止情感问题。而不是感觉兴趣,感受欢乐和愉快的经历被定义为奖励此刻他们有经验。解释两者的区别,人们可能欢呼,因为他们感觉快乐或愉悦,但不是因为他们觉得感兴趣。超过其他节点,“愉快的性经验”和“不愉快的经历”反映不仅情感状态,而且个人参与事件的类型和他们的能力来寻找有益的经验或逃离一连串的负面事件。“令人担忧的”这个词是用于对过去消极的想法,通常被称为“反刍”,对未来和消极的想法,通常被称为“令人担忧的”[24,25]。“担心”是与抑郁症的关系(包括26),积极的和消极的影响(24),并降低认知控制(27]。这是探索如何将这些不同的节点动态系统,如果这些动态交互高与低之间的不同快乐的偏见。

我们预期,增加积极的影响和积极的经验,特别是直接奖励积极节点欢乐和愉快的经历,会更大、更持久的影响在高高兴偏见组比低快乐偏见组。更具体地说,我们预计高高兴偏见集团将更容易维持和行动愉快的体验和快乐的感觉增强积极的影响和积极的经验和抑制消极的影响,消极的想法,和消极的体验。我们也希望愉快的经验概括或携带到快乐的感觉,相反。我们因此推测,愉快的体验和快乐的感觉会更能预测网络的高快乐偏见组比低快乐偏见集团的网络节点(假设1),愉快的体验和快乐更强烈预测本身(即。,愉快的体验和快乐的感觉会更容易持续)和对方(即。,more carry-over between pleasant experiences and feelings of joy) over time in the high happy bias group than in the low happy bias group (hypothesis 2) and that joy and pleasant experiences would more strongly predict the negative affect nodes over time (i.e., a larger dampening effect on negative nodes) in the high happy bias group than in the low happy bias group (hypothesis 3). Further, because of the hypothesized reduced reward responsiveness in the low happy bias group, we expected the negative affect nodes to be stronger predictors in the network of the low happy bias group than in the network of the high happy bias group (hypothesis 4) and that the negative affect nodes would more strongly predict themselves and each other over time in the low happy bias group than in the high happy bias group (hypothesis 5) and more pronounced negative associations between negative nodes and positive nodes over time (i.e., a larger dampening effect on positive nodes) in the low happy bias group than in the high happy bias group (hypothesis 6). Although feeling interested is a positive node, we did not expect it to have a similar role as joy and pleasant experiences as we consider feelings of joy and pleasure as intrinsically rewarding, whereas feeling interested is a more instrumental node, which only potentially leads to reward. More specifically, rather than group differences in the way in which feeling interested influenced other nodes, we expected that joy and pleasant experiences would more strongly predict interest in the high than in the low happy bias group (hypothesis 7).

2。方法

2.1。样本

数据收集的一部分“没有乐趣没有荣耀”(NFNG)的研究中,我们调查了快感缺乏在年轻的成年人。这项研究是医学伦理委员会批准的格罗宁根大学医学中心(没有。2014/508),在荷兰注册临床试验注册(NTR5498)。参与者对符合赫尔辛基宣言,表示他们的知情同意前登记。项目开始与大型在线筛选调查在荷兰北部2937年轻人在18到24岁之间。参与者通过电子学习环境广告招募大学和高等和中等职业教育机构,球在讲座和课程,传单,广告在社交媒体上。在研究网站上订阅(http://www.nofunnoglory.nl),参与者收到了电子邮件和在线调查的链接。包含的调查问卷,比如,快乐,精神问题,情绪和压力,以及面部识别的任务。筛选的调查中,69名年轻的成年人遭受持续的快感缺乏和69名对照选择部分的研究,在瞬时评估完成。的描述选择过程中的快感缺乏和对照组NFNG项目,看到网上的第一节补充材料或van Roekel et al。28]。从138年参与者完成了瞬时评估第一个月期间,我们选择25参与者高与低幸福快乐的偏见和25个参与者为本研究偏见。

2.1.1。选择高低快乐偏见组

我们使用极端偏见组而不是偏见连续完整的高兴,因为两者的概念和方法论方面的考虑。首先,extreme-group方法更适合我们推测主要是幸福的极端偏见区分分布自适应和不适应的情感机制(29日]。第二,一个特定的网络强度分析是这些可以用来探索集团整体的影响动力学模式的差异而不是调查单效果。估计和策划网络为每个组单独收益率洞察这些群体中的影响动力学比单一网络基于总样本,虽然仍有可能测试统计是否特定的影响模式组之间的差异。

我们选择参与者的高、低快乐偏见组不考虑是否参与者属于快感缺乏对照组。选择是基于分数面部情绪识别变形任务参与者完成首次作为在线筛选调查的一部分(T0)和第一个月后第二次瞬时评估(T2);参见图2流程图。

我们排除了四个参与者在T2变形任务没有完成。变形的任务期间,参与者被显示24秒的影片剪辑的中性面孔慢慢变成四种情绪:快乐、悲伤、愤怒或恐惧。参与者按下空格键就确定了情感中立的脸变成了。更详细描述变形的任务,这是一个缩短版本奈梅亨内梅亨大学开发的一个任务,荷兰(30.),看到第一节补充材料或Vrijen et al。29日]。对于每一个参与者,正确识别的平均反应时间(RT)试验计算每情绪,导致RT快乐,RT悲伤、RT生气,RT恐惧。我们排除了一个参与者正确的答案T2不到50%。独立快乐的偏见分数计算在T0和T2除以平均RT悲伤,RT生气,RT可怕的RT快乐。更高的幸福偏见意味着更快的识别幸福比悲伤的情绪,愤怒,和恐惧的情绪。

我们很感兴趣与特征相关的动力学影响高低偏差和快乐相比,患者的平均在30天内影响动力学稳定快乐的偏见(即高。稳定在这30天)患者的影响动态稳定低快乐的偏见。因为稳定快乐的偏见和状态波动只能瓦解用快乐的偏见在两个时间点,我们选择了一个极端的高稳定和一个极端低稳定快乐的偏见组根据成绩排名快乐偏见T0和T2。快乐的偏差在T0和快乐偏差T2都排名从低(排名133)高(排名1),和选择的两个快乐的偏见组是基于总结T0军衔和T2。最高的25个参与者总结选择排名高快乐偏见组,和最低的25个参与者总结军衔低快乐偏见组。这种方法的另一个优点是,测量误差也被分配的一部分,因为参与者只选择高快乐偏见组如果任务都得分高。(请注意,我们不意思,所有快乐的偏见在T0和T2之间的差异是由于测量误差。我们承认,很可能是国家T0和T2之间偏差波动在一个快乐的人,但是在目前的研究中,我们感兴趣的是日常生活影响动力学与更稳定的高和低偏压快乐。)确保高(或低)成绩反映出高(或低)分数相对于其他组的任务,我们使用总结分数而不是意味着总分排名。这样,成绩的任务数同样甚至在整个集团的一般学习效应。中间集团由参与者得分中度或不稳定快乐的偏见,被排除在主要分析。 This group was taken into account in part of the post hoc sensitivity checks (see Section 4 of the Supplementary Material). See Figure3对个人幸福的倾向得分在T0和T2高偏见组快乐,快乐的偏见组低,中间组。

2.2。生态的评估

在线调查问卷参与者填写一天三次,我们包括项目测量积极的影响和积极的经验,负面影响,消极的想法,和消极的经历,社会公司,活动等等。van Roekel et al。28)详细描述的所有短暂的项目评估作为没有乐趣没有荣耀的一部分研究。起点以及次白天收到问卷的个性化的时间表和偏好的参与者。他们收到了一条短信智能手机与问卷的链接一天三次在固定时间间隔长达6之间(例如,上午10点,下午四点,晚上10点)。问卷调查必须首先通知后2小时内完成。如果有必要,提醒被1小时后再后1.5小时。完成的问卷平均3分钟。

我们目前的研究包括下列事项:自上次评估我感到快乐(快乐);思考你经历过的最愉快的事件自上次评估:这是多么愉快的经历吗?(POS);自上次评估感兴趣的我觉得我周围的事情(INT);自上次评估我感到悲伤(sad);自上次评估我感到生气(IRR);自上次评估我一直担心(磨破);思考你经历过的最不愉快的事件自上次评估:这是多么不愉快的经历吗?(否定)。因为我们认为快乐,INT,悲伤,和IRR敏感隔夜回忆偏倚,早晨的评估这些项目有更多的瞬间,也就是说,变成“我感觉快乐的”,“我感觉我周围的东西感兴趣,”“我感到难过,”和“我感觉生气。“参与者表示他们支持这些项目通过视觉模拟量表上的滑块(血管),用“不”的左锚和“非常”的正确的锚。 The position of the slider was transformed into a score between 0 (“not at all”) and 100 (“very much”).

2.3。统计分析

我们提供描述性统计对性别、年龄、教育、和快感缺乏状态;在这项研究中使用的所有变量计算平均水平;并显示分别为高和低快乐偏见组。我们用R包心理版本1.6.12 [31日,32)计算团体和个人为每个节点均方连续差异(MSSDs),因为这些指示的变化从一个评估。我们还表示每个节点有多少参与者了 ,作为标准的变化从一个评估不足,后Van Der Krieke et al。33]。如果一组显示了一个比另一个更高的平均MSSD或与一个可接受的MSSD包含更多的参与者,这是可能的,这将导致更多的权力。因此,我们决定,如果发现更多或更强的重要关联,在这组人中,我们将解决这些差异是由差异的可能性在MSSD讨论。

我们使用多级向量自回归(VAR)模型在R包mlVAR 0.4版(34,35]探索日常生活动力学之间的欢乐,POS, INT,悲伤,IRR,磨破,底片高低快乐偏见组。mlVAR的主要优点之一是工具的可用性,结合igraph [R包36]和qgraph [37],不仅允许可视化的网络和中心地位指数组级别还可视化组织内个体变异。

尽管为VAR分析幂的计算是不可能的,至少50人均评估推荐个人VAR分析(38]。我们进行了多层次的VAR分析权力是受评估的数量和人的数量。每天我们的分析是基于三个评估期为30天,也就是说,每人90评估(平均6人均失踪),和我们的高、低快乐偏见组由25个参与者。我们确保足够的力量通过限制参数的数量估计mlVAR;我们主要关注受试流程,避免调查主客体之间预测的影响,并没有估计随机效应之间的相关性(见下面详情)。我们已经进行了模拟研究的基础上,本研究的影响大小和主题和数据点的数量。八百数据集在单个网络模型模拟我们发现生成的“真正”的模型。用同样的方法固定和随机效应估计和节点的数量在我们的主要mlVAR分析。在目前的研究中,我们使用84年平均时间分主题,和这个数字时间点仿真研究表明之间的高度相关性的真实和估计的固定和随机效应模拟数据集(见图S1在补充材料)。这表明,我们使用的方法是适合我们的影响大小,主题,时间点的数量。此外,因为我们所有的假设是基于网络模式而不是特定的一个变量的影响,我们的研究结果不依赖于单一路径的网络模型。

作为一个预备的第一步,我们将线性时间趋势从数据,因为时间趋势的平稳性假设违反VAR分析和参数估计可能偏见(39]。我们也删除循环时间趋势VAR分析之前,因为mlVAR不允许控制每天的时间。线性和循环时间趋势被回归每个变量在时间和下午和晚上的虚变量,在每一个个体。从这些分析残差作为输入的VAR模型。

估计网络包含自回归和cross-lagged效果,已经建议person-mean中心所有预测分析前为了单独试从主客体之间的影响40,41]。因为我们的主要兴趣是掌握日常生活发生在个体心理过程,我们从主客体分离试效果进一步within-person标准化的所有网络变量VAR分析之前。内比较不同预测的相对优势和网络之间,标准化系数的建议因为系数的差异可能是由于不同的方差(42,43]。使用原始系数来计算中心指数也被气馁(42]。

mlVAR,独立的滞后1网络估计的高、低快乐偏见组,通过lm函数的线性mixed-effects R包lme4 1.1版-1544]。网络是由执行7一元多层次VAR分析,一个为每个因变量,将结果组合成一个网络。每个一元多层次VAR分析的因变量预测的延迟(即, )所有其他变量和本身。这意味着,例如,恼怒的感觉(IRR)是预测的 , , , , , ,和 。独特的直接建模时间效果(22,42]。随机效应估计占个体差异。我们假设随机拦截之间没有相关性和随机斜坡mlVAR(正交规范),因为每个变量的person-mean within-person标准化后等于0。

上述过程导致了网络高对低幸福快乐的偏见和网络偏见组。这些网络的每个节点,我们计算两个中心指标,outstrength instrength。节点的outstrength代表总结的力量,也就是说,系数的绝对值,这个节点的所有即将离任的路径其他节点在时间 ,,反映出强烈的节点预测其他节点。instrength反映出强烈预测一个特定的节点和其他节点随时间的计算总结其所有的力量传入路径从其他节点 。在mlVAR,包igraph版本1.1.2和qgraph 1.4.4被用来绘制网络和计算和可视化中心指数。自回归组件并不包括在outstrength和instrength [37]。我们比较了网络模型和中心地位指数的高低快乐偏见组通过目视检查。接下来,我们探讨了个体差异在两组通过策划instrength和outstrength单独为每个人,基于个人的特别效果。

除了网络和中心的视觉对比指标,我们进行了七个排列测试来测试假设高低快乐偏见组之间的差别。重要排列测试结果显示差异高和低人口快乐的偏见。排列测试比较感兴趣的观察到的差异分布的差异的零假设下组之间没有差异。分布的差异来源于重组组随机10000次,也称为蒙特卡罗抽样。对于每一个重组,重组两组间的差异都估计与lm lme4 R的函数包,也就是说,在同样的方式在mlVAR定义与原始模型。如果一个观察区别高低快乐偏见组中2.5%的两侧分布的10000种可能的差异,高低快乐偏见组之间的差异被认为是显著的(例如, )。我们使用了一个排列的改编版本测试由Snippe et al。45)测试高低快乐偏见组之间差异匹配我们的假说所描述的介绍。见表1七个假设的描述和他们的操作化排列测试。

所有的测试差异分数是基于集团的固定效应模型。排列测试(1)和(4),我们使用绝对的边的权值,以避免预计正面和负面关联彼此抵消。我们所有的假设,因此还应用于outstrength排列所有测试。我们探索可能的差异instrength高低快乐偏见组之间的视觉比较网络和中心情节和没有使用排列测试,因为我们没有事先明确的假设。

最后,我们执行多个敏感性分析来探索我们的研究结果的可靠性。首先,我们一再mlVAR分析Mplus version 8 [46),使得多元mlVAR分析贝叶斯估计。第二,虽然决定使用极端组织而不是连续偏差措施是由快乐有效的概念和方法论方面的考虑,没有明确的标准如何极端团体应该因此的确切数量为每组(即个人选择。25)有些武断。评估结果的鲁棒性基于组25个人,我们估计网络,计算中心指标,并进行排列测试偏差20组,30岁,35岁和40个人。我们使用相同的mlVAR作为主要的分析方法。作为第三检查,调整为快感缺乏状态,我们计算科目的中心地位指数基于随机估计边缘的低和高快乐偏见网络和随后退化与中心指数快感缺乏地位和快乐的偏见。看到部分3 - 5的补充材料进一步的细节。

3所示。结果

3.1。描述性统计一般人口

高低快乐偏见组非常类似的年龄、性别和教育(见表2)。虽然低快乐偏见组更多的参与者参加了大学,在两组参与者参与高等教育。快感缺乏的组在症状明显不同。

面部表情识别变量的描述性统计在表3。高高兴偏见组意味着快乐倾向得分是1.82,这意味着快乐的面部情绪被确定平均1.82倍速度比消极的面部情绪悲伤,焦虑和恐惧。低快乐偏见组意味着快乐倾向得分是1.23,这表明这个群体平均还更快识别面部情绪快乐,但快乐的区别和负面情绪只是小。

表4介绍了网络变量的描述性统计。平均高快乐偏见组得分高于低快乐偏见组从积极的节点(喜悦、POS和INT)和低负节点(悲伤,IRR,磨破,底片)。Within-person SDs整个组织很相似,最大的差异IRR和磨破。MSSDs所有节点的低快乐偏见组比高高兴偏见组和两组节点 几乎所有的参与者;也就是说,在高偏差组5参与者一个快乐 悲伤,2 IRR, 1在底片上,快乐的偏见组低,3有一个参与者 在难过的时候,1在INT, IRR 1, 2磨破。高和低快乐偏见组显示低数量的人均失踪在短暂的评估;为两组,每人失踪的平均数是6.2 (90) 和 。

3.2。描述性统计网络模型

高高兴偏见的网络模型组和低快乐偏见组可视化图4;只有重要的边缘值< 0.05(见表进行描述S1补充材料的准确的系数和重要性水平的路径)。绿色的边代表积极,红边代表负协会从一个节点到另一个节点 ;边缘的厚度表示关联的强度。我们within-person标准化的所有变量,边缘系数代表了变化的within-person SD在结果变量基于一个within-person SD增加预测变量。

3.2.1之上。积极的节点之间的关联和积极的节点时间

对于两组,所有自我的积极节点欢乐、POS, INT意义重大。自我的喜悦和POS更高,欢乐,POS, INT彼此更紧密连接在高快乐偏见组比低快乐偏见组。积极的边缘显示增加一个积极的节点与增加其他人在下一次测量。

3.2.2。消极的节点之间的关联和消极的节点时间

为两组,我们发现重要的自我-节点磨破,底片,和悲伤,磨破的自相关低快乐偏见组比高高兴偏见组。IRR只是重要的自相关低快乐偏见组。消极的节点悲伤,IRR,磨破,底片显示,两组几个积极的时序关系。

3.2.3。积极的节点之间的关联和消极的节点时间

高幸福的偏见,一个更高的分数POS预测一个较低的分数在磨破,和更高的分数快乐预测低分数IRR和底片。低快乐的偏见,我们没有发现负面边缘POS和快乐-节点在下一次测量。

3.2.4。消极的节点之间的关联和积极的节点时间

消极的节点上更高的分数显著降低分数积极节点的下一个测量低快乐偏见组;即磨破和IRR显示负面联想喜悦和INT。

3.3。描述性统计中心指数

3.3.1。中心情节组级别

中心情节outstrength和instrength呈现在图5(一个)。欢乐和POS outstrength高高兴偏见组最高和最低outstrength低快乐偏见组,表明欢乐和POS强烈预测高高兴偏见组中的其他节点和最强烈的预测低快乐偏见组中的其他节点。之间最大的差异我们发现instrength高低偏差组磨破,快乐快乐,INT,所有这一切被其他节点更强烈预测高快乐偏见组比低快乐偏见组。

3.3.2。个人中心指数的变化

个体变异在outstrength instrength两个快乐的偏见组内呈现在图5 (b)。一般来说,instrength显示比outstrength个体变异。无论个体变异,高和低的范围偏见组几乎没有重叠的outstrength快乐快乐,表明低和高快乐偏见组可能是最明显的歧视的outstrength节点。

3.4。排列的测试差异之间的低和高快乐偏见组

作为一个简短的提醒,以下七个假设测试:(1)欢乐和POS网络的强预测因子高快乐偏见组比低快乐偏见组的网络;(2)欢乐和POS更强烈预测随着时间的推移,自己和对方在高快乐偏见组比低快乐偏见组;(3)欢乐和POS更强烈预测消极节点随时间在高快乐偏见组比低快乐偏见组;(4)的负面网络中的节点是更强的预测低快乐偏见组比高高兴偏见组的网络;(5)负节点更强烈预测随着时间的推移自己和对方的低快乐偏见组比高高兴偏见组;(6)更明显-关系-节点和积极的节点随时间在低快乐偏见组比高高兴偏见组;和(7)欢乐和POS更强烈预测INT高的比低的快乐的偏见。见表1更详细描述的假设和操作化排列测试。

只有排列测试1和2达到意义 。观察到的差异的绝对强度之间的所有边从喜悦和POS高低快乐偏见组为0.61, (排列测试1)。观察到两组之间的差异的总强度所有即将离任的边从喜悦和POS欢乐和POS是0.31, (排列测试2)。我们发现,两组之间没有显著差异的总强度从喜悦和POS -节点(边观察 , ;的总绝对强度排列测试3),所有传出的负面边缘节点(观察到 , ;排列测试4),所有边的总强度-节点-节点(观察到 , ;排列测试5),所有边的总强度从-节点到喜悦和POS(观察到 , ;排列测试6),所有边的总强度从喜悦和POS INT(观察到 , ;排列测试7)。

3.5。敏感性分析

多元Mplus多级VAR分析显示,细微的差别的几个网络模型的估计,但一般模式和主要研究结果证实(更多细节,请参见第三节补充材料)。网络、中心地位指数和排列测试极端快乐的偏见20组,30岁,35岁和40个人显示相同的模式的基于原始组织25个人。正如所料,群体差异的组织变得更大,变得不那么明显 其中一个排列测试不再是重要的。更多细节,请参阅第4部分的补充材料。最后,控制快感缺乏地位并没有改变我们的发现(见第5部分辅料的更多细节)。

4所示。讨论

我们的研究是第一个调查偏差为快乐的面部情绪评估标准化实验室任务属于日常生活。我们发现,感受欢乐和愉快的经历更能预测网络的高快乐偏见组比低快乐偏见集团的网络(假设1),高高兴偏见组的欢乐和愉快的经历更强烈预测自己和对方(假设2)。这些都是强大的发现基于视觉检查网络和中心地位指数和排列测试。另一组的差异只是视觉比较发现,但无法证实的排列测试:欢乐和愉快的经历抑制消极的节点(即。、悲伤、愤怒、担忧和不愉快的经历)高而不是低快乐偏见网络(假设3);负节点抑制了欢乐和愉快的经历在低但不高快乐偏见网络(假设6);和欢乐和愉快的经验预测的兴趣很高,但不是低偏置网络(假设7)快乐。这些集团在研究样本差异存在,但由于排列测试并不重要,是不可能画推断群体人口的差异。排列的测试并没有透露有关这些假设组差异可能是由于个体差异大或小的影响。我们没有发现支持节点更强烈和负向预测总体影响网络或低快乐的负面网络偏见组比高高兴偏见组(假设4和5)。虽然高低快乐偏见组在症状明显不同的快感缺乏,高低之间的差异,我们发现快乐似乎偏见组主要由偏见地位和快乐不能(完全)解释为快感缺乏状态。

我们的更具体的结果可能是讨论某个节点的程度预测其他节点在下次点(outstrength)或一个特定节点的程度预计由其他节点在之前的时间点(instrength)。因为我们假设应用于outstrength我们没有提前instrength明确的假设,我们的方法论对outstrength和instrength不同。outstrength,我们更关注假设检验通过排列测试,而我们使用更多的探索性方法基于instrength目视检查。将讨论这两个观点,从outstrength。

我们发现欢乐和愉快的经历更强烈预测影响随着时间的推移,高高兴偏见组比低快乐偏见组。这表明快乐偏见显示很高的个人倾向于积极的影响和在日常生活中积极的体验,可以更好的能够维持积极的影响和积极的体验在更长一段时间并推广到其他积极的组件与低快乐比个人偏见。这尤其重要,因为这些相同的机制,也就是说,不能维持积极的影响随着时间的推移,(10- - - - - -12,16,17),不能产生积极的影响从愉快的经历18,19),已经在先前的研究与抑郁症有关。在目前的研究中,我们还发现迹象表明同一具体的日常生活影响动力学与低快乐相关偏见也与抑郁症有关。我们发现个人患有快感缺乏,这是两个核心症状的抑郁症,欢乐和愉快的经历是影响较弱的预测因素在接下来的6小时(见第5部分的补充材料)。此外,日常生活的积极影响在一个月被发现预测生活满意度和更高的能力,适应不断变化的环境后,本月(47),这表明积极的影响在当下拓宽一个人的注意力范围和促进建筑价值的认知和社会资源基本福利(47,48]。如果快乐的感觉可以持续时间更长,蔓延到其他积极的体验,他们的有益的影响可能会持续相当长一段时间。品味的积极影响,包括积极影响的预期以及延长,被发现与更多的生活满意度和幸福和水平较低的神经质,抑郁,和快感缺乏49]。在以前的研究中,也发现积极的影响有助于恢复从消极的经历14)和弹性个人使用积极的影响表达下调的负面影响(15]。这是按照我们发现欢乐和愉快的经历中的抑制消极的节点高而不是低偏置网络和快乐表明快乐很高的个人偏见可能能更好地使用积极的经验和积极影响调节消极影响,思想,和经验比低快乐的偏见。然而,谨慎是必要的在解释这个发现,因为虽然在所有不同的敏感性分析中的欢乐和愉快的经历抑制负节点高但不快乐的偏见组低,排列测试没有达到统计学意义。因此还无法得出任何结论关于人口的差异。排列测试可能并不重要,因为大的个体变异的边缘欢乐和愉快的经历-节点,但这只是猜测。消极的规定节点通过积极的节点也可能基本上发生在较短的时间框架,例如,2小时。如果确实是这样的话,那么目前的方法只拿起剩下还是最初的几小时后的效果。

关于instrength,某个节点的程度预测的其他节点在之前的时间点,我们发现最大的区别高低为担心偏见组,快乐快乐,和感兴趣,所有这一切被其他影响组件更强烈预测高快乐偏见组比低快乐偏见组。一个可能的解释是,这反映了心理上的灵活性,这样高的个人幸福的偏见,令人担忧,快乐,感觉兴趣更依赖于上下文。这可能是如何工作的可以通过比较高、低偏置网络图满意吗4。水平令人担忧的是受到愉快和不愉快的经历在很高的个人幸福的偏见,而对于个体与低快乐偏见担忧似乎较少依赖上下文,有更高的自相关,因此倾向于自己的生活。作为心理灵活性被发现是非常重要的优化功能在很多情况下,和心理上的刚性与抑郁症有关以及其他形式的精神病理学(50,51),高高兴偏见组似乎更好。

敏感性分析探讨不同的估计的影响,统计软件包,群体大小、多元的方法,和控制快感缺乏状态。所有这些敏感性分析但完全支持原来的一个主要发现;最大的快乐偏见组( ),只有部分支持被发现,原来的两个主要发现不再是重要的。正如预期的那样,随着组织成为大组的差异变得不那么明显。两个可能的解释是,第一,快乐的偏见组 mlVAR分析的稳定性假设并不满足,第二,只有快乐的偏见的极端分布可能与自适应和不适应的情感的发展模式在日常生活中。

我们研究的优势,首先,我们结合最好的两个世界通过使用多级方法所受试效果从主客体分离效果within-person之前所有变量的标准化分析。这使我们探索发生在个人的动态过程;同时,它允许我们比较两个快乐的偏见组(43]。其次,在该领域的最新发展(45,52),除了视觉比较影响网络和中心的指标,我们采用置换方法适应特定的假设检验统计是否快乐偏见组影响动力学的差异。本研究的第三个强度是其生态效度高,当我们评估影响和相关措施,一天三次在日常生活的情况下,在一段时间内只要30天,并取得合规率至少80%。此外,使用变形任务允许我们评估情绪的识别更微妙的痕迹,这是假定生态有效的角度给出一个比静态烈度面部情绪识别任务,作为日常生活中静态烈度面部情绪是相当罕见的。最后,我们重复的面部情绪识别任务,我们选择快乐的偏见组基于个人的分数在两个任务。这使我们只选择那些参与者一个稳定幸福的偏见。这是必要的,因为日常生活影响网络估计的30天内,参与者展示大快乐偏差的变化从一个快乐的偏见组到另一在此期间将会增加噪声的网络模型。

显然我们的研究也有局限性。首先,我们的样品主要由高等教育的女性,这可能会限制我们的研究结果的普遍性,因为性别和受教育程度可以适度联系我们调查53- - - - - -58]。第二,极端的选择和稳定快乐的偏见组导致小组25参与者,这限制了普遍性和导致权力为快感缺乏正确的地位不足或者使用多元多层次分析,这需要额外的参数的估计。单变量方法的缺点是,因变量之间的相关性和随机效应之间的依赖变量没有被考虑。我们提出了敏感性分析显示多元方法的影响,不同的群体大小,控制快感缺乏状态。然而,大多数这些替代方法需要多个概念和方法论的让步,只能解释为代理我们的原始模型。第三,我们提供了一个网络方法中唯一直接的时间效应进行了研究,并没有共享的影响(22,42]。因此,我们的方法应当被视为补充方法考虑方差共享。第四,我们的研究结果是基于评估,平均6小时。我们无法掌握动态过程发生在一个较短的时间框架。最后,我们研究的限制,适用于所有非实验研究设计,我们无法推断正确的因果关系;我们的结论是局限于“格兰杰因果关系”,也就是说,如果一个变量在时间包含独特的信息来预测另一个变量在时间 ,据说格兰杰导致第二个变量(59]。我们研究了不同影响组件之间的直接关联随着时间的推移,它似乎是合理的,其他因素没有包含在我们的模型解释这些动力学的一部分,因此没有真正的因果声称可以推断从我们的网络模型。

需要进一步的研究,首先确认我们的发现复制在其他样本。因为本研究小组的大小,结论是初步等待试图复制。第二,快乐的偏见影响日常生活的具体情况影响动力学需要探索,例如,多么极端偏见需要之前预测关于幸福或心理健康积极或消极的结果。第三,虽然我们的研究结果是有前途的,应该注意的是,维持积极情绪的能力已经在许多不同的方式实施之前的研究也有矛盾和未解决的问题,例如对自相关。人们已经发现,更强的日常生活积极的情感随着时间的推移,预防抑郁症的自相关(17而且强大的自我,对积极和消极情绪,预测抑郁(51,58]。还需要进一步的研究探讨适应和不适应的影响强烈的自我与心理弹性。似乎可信的强烈的自我可能表明变革阻力,从而限制心理灵活性,但同样的,没有遗留的积极影响和积极的体验(弱自相关)可能还不是很适应。它可能是重要的考虑不同时间尺度(60),看比例的自相关与cross-lagged路径(相对其他节点的影响)和区分高自相关对低和高水平的积极和消极影响和经验。最后,抑郁症是一种异构的构造和特定亚型的抑郁症可能是不同与动力学的影响。低快乐偏见可能反映了这样一个亚型,我们的研究表明,它可能是有用的考虑快乐的偏见当学习影响动力学。抑郁患者较低的偏见可能显示不同的快乐影响动力学相比,抑郁个体高快乐的偏见,但这还有待调查。

5。结论

我们比较高的年轻人倾向快乐的面部情绪在一个标准化的实验室任务为快乐同行低偏压的面部情绪在他们的日常生活影响动力学,我们分开使用高度个性化的方法试从主客体之间的影响。我们最重要的和健壮的发现是,欢乐和愉快的经历更强烈预测高高兴偏见的影响网络组比低快乐偏见组。这些研究结果初步表明,很高的个人快乐的偏见更响应积极、有益的,经验,和情绪,并更容易维持,而积极的体验和情感的日常生活似乎更短暂的人缺乏这种快乐的偏见。我们建议,高回报的响应能力可以反映在高快乐偏见在面部情绪识别和维持的能力和在日常生活中积极推广经验和积极的影响。这可能是为什么个体倾向于快乐的关键面部患抑郁症情绪可能更有弹性。通过使用网络比较个人的日常生活影响动力学方法与高和低快乐的偏见,我们接近理解背后的日常生活机制高低快乐的偏见在实验室的任务。这部小说的视角解读面部表情加工任务的是有价值的,往往是评估在临床研究和实践。本研究说明了网络的潜在好处的方法解开心理机制。

数据可用性

数据和语法进行了公开通过开放的科学框架和可访问https://osf.io/4czv3/。

信息披露

初步研究的结果提出了在2017年4月在两年一次的会议上的儿童发展研究协会(SRCD;海报),2017年6月在两年一次的会议上社会的动态评估(SAA;口头报告),并在2018年5月30日心理科学协会的年度大会上(APS;海报)。

的利益冲突

作者没有利益冲突。

确认

研究报告在这个刊物是由Vici格兰特(016.001/002)从荷兰科学研究、组织授予A.J. Oldehinkel博士教授。我们感谢每一位参加了我们的研究。我们感谢美国Epskamp博士关于R包mlVAR和他愿意帮助他实现选项within-person标准化、w . Viechtbauer博士让我们适应他的R为排列测试脚本用于我们自己的目的,和L.F.博士Bringmann再见Bos博士的刺激方法的讨论。

补充材料

部分1:描述没有乐趣的荣耀(NFNG)选择程序和面部表情识别变形的任务。第二节:准确的系数和重要性水平的主要分析和模拟研究的结果被用来评估的可靠性mlVAR为我们特定的样本大小,数量的时间点,和模型规范。部分3 - 5:敏感性分析的结果进行评估我们的研究结果的鲁棒性。(补充材料)