元认知的正常神经行为和病理基础的探索 (METASENS)

抽样计划

1. 现有数据 数据创建前注册：截至本研究计划提交预注册之日，数据尚未收集、创建或实现。
2. 数据收集程序。 健康志愿者将从普通人群中招募。 精神分裂症患者将从凡尔赛地区的社区心理健康中心和门诊诊所以及凡尔赛的 FACE-SZ（FondaMental 精神分裂症专业学术中心）队列中招募。 所有参与者将对研究目的保持天真，根据机构指南和赫尔辛基宣言给予知情同意，并获得货币补偿（10 欧元/小时）。
3. 样本量 最多 50 名健康对照者与 50 名精神分裂症患者。

4. 样本量基本原理估计的样本量允许测试中等大小的个体与精神分裂症患者和健康对照之间的效果，功效为 0.8，基于 Cohen 的 d = 0.5，α = 0.05 的单侧双样本 t 检验功效计算。 它们允许以 0.7 的幂测量组内的介质相关性，基于近似相关功率计算，r = 0.3，α = 0.05。

   电生理记录的样本量基于之前的一项研究，其中 20 名患者与 20 名对照，排除异常值后结果为 13 名与 13 名。

5. 停止规则 可选停止将通过使用顺序贝叶斯因子分析来避免。 只要关键比较达到 BF = 3 或 BF = 1/3 的阈值，数据收集就会停止。

   设计方案

6. 研究设计 调查人员将要求参与者区分随机点运动图（类型 1 任务）的运动方向。 他们将使用鼠标来指示点是主要向右移动还是向左移动，方法是单击他们认为对应于正确答案的一侧（红色和蓝色圆圈，见图 1）。 对应于类型 1 任务的鼠标轨迹将被记录和分析。 在实验前，将使用 1up/2down 楼梯调整每个受试者的运动方差，以达到 71% 的平均表现。 如果参与者回答超过 6 秒，将播放听觉反馈。 在每次试验中，参与者将在视觉模拟量表上表明他们对其反应的信心（类型 2 任务）。 比例范围从 0%（“确定我的回答是正确的”）到 100%（“确定我的回答是错误的”）。 光标的初始位置将始终对应于 50% 的置信度（“我的回答不确定”）。 实验将包括 10 个块，每块 30 个试验，持续约 1 小时。

7. 随机运动方向（左或右）将被伪随机化，同一方向的连续试验不超过 4 次。

   分析计划

8. 统计模型 8.1。 行为数据 所有分析都将使用 R 进行，主要使用 afex、BayesFactor、ggplot2、lme4、lmerTest 和效果包。 在所有方差分析中，将使用 Greenhouse-Geisser 方法校正自由度。

   这些群体的社会人口统计学（年龄、性别、教育）、认知（病前和当前智商，以及执行计划和工作记忆的表现）和情绪（抑郁）特征将在适当时使用学生 t 检验或 χ2 检验进行比较。 只有在两组之间存在显着差异的变量才会作为协变量包含在以下分析中。

   元认知表现将主要使用准确性和置信度之间的二项式混合效应模型进行分析，其中组（患者与对照组）和几个协变量（病前和当前智商、抑郁症和具有计划和工作记忆的执行表现）作为受试者间因素. 回归斜率将被视为元认知表现的指标，渐近线将被视为信心偏差的标志，即报告独立于任务表现的高或低信心评级的倾向。 似然比检验将评估显着性。

   在确定患者和对照组之间的主要差异后，将在二次分析中将决策前行为变量（反应时间、鼠标轨迹参数）添加到模型中。 鼠标轨迹的几何特征（x 轴上的运动熵）将使用 EMOT 和 Mousetrap 包进行量化。 运动熵和置信度之间的相关性将由 R² 量化，并针对相对于数据点数量的因变量数量进行调整。

   8.2. 精神分裂症元认知表现与临床特征的相关性

   研究人员将对元认知表现（元认知判断与一阶任务准确性之间的回归斜率）和几个临床变量进行相关性分析。 临床变量将是：

   • 根据 van der Gaag 等人提出的 5 因素模型，阳性和阴性综合症量表 (PANSS) 的阳性和混乱评分。
   • Birchwood Insight Scale (BIS) 对疾病洞察力的总分
   • 贝克认知洞察力量表 (BCIS) 的认知洞察力总分
   • 社会功能个人和社会绩效量表 (PSP) 的总分 调查人员将使用 Spearman 等级顺序相关测试和错误发现率来纠正多重比较。

   8.3. 电生理数据预处理：使用 64 通道 Gtec HIamp 系统以 1200 Hz 采集连续脑电图。 将使用自定义 Matlab (Mathworks) 脚本使用 EEGLAB 工具箱中的函数执行信号预处理。 目视检查后，将为每位参与者移除被人工制品污染的电极，并在 1 型反应开始时进行纪元处理。 对于每个纪元，来自每个电极的信号将以零为中心并参考平均值。 在目视检查并拒绝包含人为信号的时期后，将对单个数据集应用独立成分分析，然后基于自相关、焦点通道地形和一般不连续性的测量对人为成分进行半自动检测。 伪影拒绝后，伪影污染的电极将使用球面样条插值。

   统计分析：电压幅度将在时间窗口（例如 20 毫秒）内取平均值，并使用 R 与 lme4 和 lmerTest 包一起使用线性混合效应模型进行分析。 这种方法允许分析单个试验数据，没有跨条件或参与者的平均，也没有信心评级的离散化。 模型将在每个延迟和电极上进行，用于单独试验，包括作为固定效应的原始置信度和准确性，以及受试者的随机截距。 在校正错误发现率后，将评估感兴趣区域（例如，额中央和左顶叶头皮区域）内电生理数据的统计意义。 如果可能，将使用基于簇的置换测试。

9. 转换数据将被转换以防它们违反正态性假设（例如，逆反应时间）。

10. 后续分析 除了混合逻辑回归之外，还将使用二阶信号检测理论分析元认知表现：meta-d' 将反映执行置信度判断时可用的感知证据量。 置信度偏差也将使用接受者操作特征曲线 (ROC) 进行计算：ROC 和主对角线之间的区域将除以次对角线，置信度偏差将定义为下部和上部区域的对数比。 以组和适当的协变量作为受试者间因素的方差分析将测试元认知效率的降低和患者与对照参与者的信心偏差的增加。

    漂移扩散模型将使我们能够确定精神分裂症患者和健康对照者在 1 型任务中反应时间的哪些方面不同（例如，漂移率和边界分离），并评估这些差异如何决定置信度判断，从而允许测试在决策轨迹上存在元认知缺陷。

11. 推理标准将使用以组为主体间因素的双尾测试。 显着性阈值将设置为 alpha = 5%。 如果可能，将计算贝叶斯因子以支持无效发现并设置停止规则（见上文）。

12. 数据排除如果每个条件的第一次试验包含感知信号的大变化，则它们将被排除在分析之外。

    只会保留类型 1 任务的反应时间在 100 毫秒和 6 秒之间的试验。

    如果参与者无法在 1 类任务中达到 71% 的准确度，在大多数试验中响应时间超过 6 秒，或者他们没有正确使用置信度（例如，置信度报告中没有差异），则参与者将被排除在外.

13. 缺失数据使用应用于行为和电生理数据的混合模型将允许处理不平衡的数据集，因此不需要数据插补。
14. 探索性分析（可选） 14.1。 元认知偏差与精神分裂症临床特征之间的相关性研究人员将在元认知偏差（元认知判断与一阶任务准确性之间的回归线的渐近线）和几个临床变量（阳性和混乱评分）之间进行探索性 Spearman 等级相关分析PANSS，BIS、BCIS 和 PSP 的总分）。

14.2. 心率 将使用 Gtec 体积描记脉搏传感器测量心率，并将其量化为 2 类表现的函数。 根据之前对健康参与者的研究结果，研究人员预计在刺激开始和 2 型反应之间更快的心率会带来更大的信心。 研究人员将尝试按照与 Allen 及其同事相同的方法复制这些发现，并将其扩展到患者。

14.3. 皮肤电反应 (GSR) 至于心率，GSR 将使用 Gtec 专用传感器测量，并使用 Matlab 下的 Ledalab 工具箱量化为 2 型性能的函数。 据我们所知，没有研究量化 GSR 和元认知之间的联系，因此研究人员将进行探索性分析。