元认知的正常神经行为和病理基础的探索 (METASENS)
元认知是一种反省和报告自己心理状态的能力,或者换句话说,就是知道自己知道多少。 它使我们在日常生活中对自己的决定形成一种自信感,因此,如果我们的信心高,可以承诺一个选项,或者如果我们的信心低,则在做出承诺之前寻求更多的证据。 尽管此功能对于在复杂环境中充分发挥作用至关重要,但置信度判断并不总是最佳的。 值得注意的是,患有精神分裂症的人容易对错误过于自信,而对正确答案缺乏自信。 在精神分裂症中,与对照组相比,信心与表现的相关性较低。
这些方面被认为是妄想、混乱、对疾病的洞察力差、认知缺陷和社会功能差的根源。
我们的研究旨在确定与精神分裂症元认知缺陷有关的认知和神经过程。 参与者将对低级感知任务(视觉运动辨别)进行元认知判断。 参与者将通过用鼠标点击正确答案来完成一阶感知任务。 在第一顺序任务完成期间,调查人员将记录几个行为、生理和神经变量。 然后,参与者将使用视觉模拟量表执行元认知任务。
该研究将解决四个研究问题:
- Q1:精神分裂症与元认知效率下降有关吗? 元认知缺陷是由于自信不足还是过度自信造成的?
- Q2:元认知障碍是否反映在通过行为变量(鼠标跟踪和反应时间)衡量的决策层面?
- Q3:哪些生理标志物(脑电图、皮肤电导、心率)是精神分裂症患者和健康对照者元认知效率的预测指标?
- Q4:哪些临床症状与元认知缺陷相关?
研究人员针对之前的研究问题提出了几个假设:
- Q1:根据几项使用定性和定量测量的研究结果,研究人员预计精神分裂症患者存在元认知缺陷。 研究人员将排除数量缺陷不会与 1 型表现障碍混淆,精神分裂症具有普遍的认知缺陷(较低的病前和当前智商 (IQ),以及执行功能缺陷,特别是计划和工作记忆能力缺陷) ,在信心分析期间有抑郁症或统计缺陷。
- Q2:研究人员预计行为线索(鼠标跟踪和反应时间)与患者与对照组的信心相关性较低。 因此,研究人员假设精神分裂症患者的元认知缺陷可能源于在执行明确的元认知判断时无法整合决策前线索。
- Q3:研究人员预计生理线索(EEG 与错误相关的负性、侧向准备电位和 alpha 抑制,以及自主神经系统的皮肤电导和心率唤醒)与患者与对照组的信心相关性较低。
- Q4:根据之前的发现,研究人员预计精神分裂症的几个临床维度可能与元认知表现相关。 对于具有高水平阳性和混乱症状的患者,元认知缺陷会更大,而对于临床和认知洞察力水平低以及社会功能水平低的患者,元认知缺陷会更大。
研究概览
详细说明
抽样计划
- 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。
- 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)。
- 样本量 最多 50 名健康对照者与 50 名精神分裂症患者。
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。
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
- 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。
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
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。
- 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)。
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。
- 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)。
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.
- 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。
- 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。
研究类型
注册 (预期的)
联系人和位置
学习地点
-
-
-
Grenoble、法国
- 尚未招聘
- CHU Grenoble
-
Le Chesnay、法国、78150
- 招聘中
- Centre Hospitalier de Versailles
-
Saint-Égrève、法国
- 尚未招聘
- CH Alpes Isère
-
-
参与标准
资格标准
适合学习的年龄
接受健康志愿者
有资格学习的性别
取样方法
研究人群
病人:
患者将从凡尔赛地区的社区精神卫生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)队列中招募并稳定下来。
控制:
健康志愿者将从普通人群中招募。 将对对照组进行当前或过去的精神疾病筛查,如果参与者符合 DSM-V 任何疾病的标准,则将被排除在外
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)。
描述
纳入标准:
- DSM-V 精神分裂症标准(疾病的结构化临床访谈)
- 正常或矫正视力正常
排除标准:
- 在过去 6 个月内有中度或重度物质使用障碍(DSM-V 标准)
- 目前或既往有未治疗的重大内科疾病或神经系统疾病史
- 最近三个月接受过电抽搐治疗
- 色盲症
学习计划
研究是如何设计的?
设计细节
- 观测模型:病例对照
- 时间观点:横截面
队列和干预
团体/队列 |
---|
精神分裂症患者
行为变量: 类型 1 任务(运动辨别)准确性(二进制:正确/不正确)/类型 1 反应时间(连续:以毫秒为单位响应类型 1 任务的时间)/置信度(连续:视觉模拟量表)/类型 2 反应时间(连续:以毫秒为单位报告置信度的时间)/鼠标轨迹(像素坐标) 生理变量: 脑电图(连续:64ch. 时间锁定到 1 型反应)/ 心率(连续:时间锁定到 1 型反应)/ 皮肤电反应(连续:时间锁定到 1 型反应) 临床变量: 正负综合症量表/Birchwood Insight 量表/Beck Cognitive Insight 量表/个人和社会表现量表/Calgary 抑郁量表/氯丙嗪当量 神经心理学变量: 全国成人阅读测试(法语)/韦氏成人智力量表第四版 (WAIS-IV) 子测试(矩阵推理、词汇、字母数字排序) |
控件
行为变量: 类型 1 任务(运动辨别)准确性(二进制:正确/不正确)/类型 1 反应时间(连续:以毫秒为单位响应类型 1 任务的时间)/置信度(连续:视觉模拟量表)/类型 2 反应时间(连续:以毫秒为单位报告置信度的时间)/鼠标轨迹(像素坐标)/ 生理变量: 脑电图(连续:64ch. 时间锁定到 1 型反应)/ 心率(连续:时间锁定到 1 型反应)/ 皮肤电反应(连续:时间锁定到 1 型反应)/ 临床变量: 卡尔加里抑郁量表 神经心理学变量: 全国成人阅读测试(法语)/ WAIS-IV 子测试(矩阵推理、词汇、字母数字排序) |
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
---|---|---|
元认知表现
大体时间:在长达 2 小时的实验中重复测量
|
准确性和置信度之间的回归斜率,在二项式混合效应模型中,包括适当的协变量(患者和对照组之间显着不同的变量,其中包括:年龄、性别、教育、病前和当前智商、执行计划和工作记忆) ; 和抑郁症)
|
在长达 2 小时的实验中重复测量
|
决策前行为变量
大体时间:在长达 2 小时的实验中重复测量
|
反应时间和鼠标轨迹参数(x 轴上的运动熵)
|
在长达 2 小时的实验中重复测量
|
脑电标记物
大体时间:在长达 2 小时的实验中重复测量
|
与错误相关的消极情绪、侧向准备潜力和 alpha 抑制
|
在长达 2 小时的实验中重复测量
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
---|---|---|
元认知偏差
大体时间:在长达 2 小时的实验中重复测量
|
准确性和置信度之间回归线的渐近线,在二项式混合效应模型中,包括适当的协变量(患者和对照组之间显着不同的变量,其中包括:年龄、性别、教育、病前和当前智商、计划执行绩效和工作记忆;和抑郁症)
|
在长达 2 小时的实验中重复测量
|
精神分裂症的阳性症状
大体时间:每个受试者一项措施,在 30 分钟的采访中评估
|
正负综合症量表的以下项目:P1+P3+G9+P6+P5+G1+G12+G16-N5
|
每个受试者一项措施,在 30 分钟的采访中评估
|
精神分裂症的解体症状
大体时间:每个受试者一项措施,在 30 分钟的采访中评估
|
正负综合症量表的下列项目:N7+G11+G10+P2+N5+G5+G12+G13+G15+G9
|
每个受试者一项措施,在 30 分钟的采访中评估
|
洞察疾病
大体时间:每个受试者一项测量,使用 10 分钟长的自动问卷进行评估
|
Birchwood Insight Scale 的总分,这是一个包含 8 个项目的自我报告量表
|
每个受试者一项测量,使用 10 分钟长的自动问卷进行评估
|
认知洞察力
大体时间:每个受试者一项测量,使用 20 分钟长的自动问卷进行评估
|
Beck Cognitive Insight Scale 的总分,这是一个包含 15 个项目的自我报告量表
|
每个受试者一项测量,使用 20 分钟长的自动问卷进行评估
|
社会功能
大体时间:每个受试者一项措施,在 20 分钟的采访中评估
|
个人和社会绩效量表的总分
|
每个受试者一项措施,在 20 分钟的采访中评估
|
其他结果措施
结果测量 |
措施说明 |
大体时间 |
---|---|---|
心率
大体时间:在长达 2 小时的实验中重复测量
|
使用 Gtec 体积描记脉冲传感器测量
|
在长达 2 小时的实验中重复测量
|
皮肤电反应
大体时间:在长达 2 小时的实验中重复测量
|
使用 Gtec 专用传感器测量
|
在长达 2 小时的实验中重复测量
|
合作者和调查者
出版物和有用的链接
一般刊物
- Beck AT, Baruch E, Balter JM, Steer RA, Warman DM. A new instrument for measuring insight: the Beck Cognitive Insight Scale. Schizophr Res. 2004 Jun 1;68(2-3):319-29. doi: 10.1016/S0920-9964(03)00189-0.
- Kay SR, Fiszbein A, Opler LA. The positive and negative syndrome scale (PANSS) for schizophrenia. Schizophr Bull. 1987;13(2):261-76. doi: 10.1093/schbul/13.2.261.
- Birchwood M, Smith J, Drury V, Healy J, Macmillan F, Slade M. A self-report Insight Scale for psychosis: reliability, validity and sensitivity to change. Acta Psychiatr Scand. 1994 Jan;89(1):62-7. doi: 10.1111/j.1600-0447.1994.tb01487.x.
- Perrin F, Pernier J, Bertrand O, Echallier JF. Spherical splines for scalp potential and current density mapping. Electroencephalogr Clin Neurophysiol. 1989 Feb;72(2):184-7. doi: 10.1016/0013-4694(89)90180-6.
- Allen M, Frank D, Schwarzkopf DS, Fardo F, Winston JS, Hauser TU, Rees G. Unexpected arousal modulates the influence of sensory noise on confidence. Elife. 2016 Oct 25;5:e18103. doi: 10.7554/eLife.18103.
- Bagiella E, Sloan RP, Heitjan DF. Mixed-effects models in psychophysiology. Psychophysiology. 2000 Jan;37(1):13-20.
- Bruno N, Sachs N, Demily C, Franck N, Pacherie E. Delusions and metacognition in patients with schizophrenia. Cogn Neuropsychiatry. 2012;17(1):1-18. doi: 10.1080/13546805.2011.562071. Epub 2011 Jun 28.
- Calcagni A, Lombardi L, Sulpizio S. Analyzing spatial data from mouse tracker methodology: An entropic approach. Behav Res Methods. 2017 Dec;49(6):2012-2030. doi: 10.3758/s13428-016-0839-5.
- Charles L, Gaillard R, Amado I, Krebs MO, Bendjemaa N, Dehaene S. Conscious and unconscious performance monitoring: Evidence from patients with schizophrenia. Neuroimage. 2017 Jan 1;144(Pt A):153-163. doi: 10.1016/j.neuroimage.2016.09.056. Epub 2016 Sep 23.
- Chaumon M, Bishop DV, Busch NA. A practical guide to the selection of independent components of the electroencephalogram for artifact correction. J Neurosci Methods. 2015 Jul 30;250:47-63. doi: 10.1016/j.jneumeth.2015.02.025. Epub 2015 Mar 16.
- Chiu CY, Liu CC, Hwang TJ, Hwu HG, Hua MS. Metamemory in patients with schizophrenia measured by the feeling of knowing. Psychiatry Res. 2015 Dec 15;230(2):511-6. doi: 10.1016/j.psychres.2015.09.046. Epub 2015 Oct 3.
- Fleming SM, Dolan RJ, Frith CD. Metacognition: computation, biology and function. Philos Trans R Soc Lond B Biol Sci. 2012 May 19;367(1594):1280-6. doi: 10.1098/rstb.2012.0021.
- Fox, J. (2003). Effect displays in R for generalised linear models. Journal of statistical software 8(15): 1-27.
- Kepecs A, Mainen ZF. A computational framework for the study of confidence in humans and animals. Philos Trans R Soc Lond B Biol Sci. 2012 May 19;367(1594):1322-37. doi: 10.1098/rstb.2012.0037.
- Kieslich, P. J., D. U. Wulff, et al. Mousetrap: An R package for processing and analyzing mouse-tracking data (Version 3.0.0). 2017
- Koren D, Seidman LJ, Poyurovsky M, Goldsmith M, Viksman P, Zichel S, Klein E. The neuropsychological basis of insight in first-episode schizophrenia: a pilot metacognitive study. Schizophr Res. 2004 Oct 1;70(2-3):195-202. doi: 10.1016/j.schres.2004.02.004.
- Kother U, Veckenstedt R, Vitzthum F, Roesch-Ely D, Pfueller U, Scheu F, Moritz S. "Don't give me that look" - overconfidence in false mental state perception in schizophrenia. Psychiatry Res. 2012 Mar 30;196(1):1-8. doi: 10.1016/j.psychres.2012.03.004. Epub 2012 Apr 5.
- Kuznetsova, A., P. B. Brockhoff, et al. Package 'lmerTest'. R package version 2. 2015
- Lysaker PH, McCormick BP, Snethen G, Buck KD, Hamm JA, Grant M, Nicolo G, Dimaggio G. Metacognition and social function in schizophrenia: associations of mastery with functional skills competence. Schizophr Res. 2011 Sep;131(1-3):214-8. doi: 10.1016/j.schres.2011.06.011. Epub 2011 Jul 13.
- Maniscalco B, Lau H. A signal detection theoretic approach for estimating metacognitive sensitivity from confidence ratings. Conscious Cogn. 2012 Mar;21(1):422-30. doi: 10.1016/j.concog.2011.09.021. Epub 2011 Nov 8.
- Morey, R. D., J. N. Rouder, et al. BayesFactor: Computation of Bayes factors for common designs. R package version 0.98. 2014.
- Moritz S, Woodward TS, Jelinek L, Klinge R. Memory and metamemory in schizophrenia: a liberal acceptance account of psychosis. Psychol Med. 2008 Jun;38(6):825-32. doi: 10.1017/S0033291707002553. Epub 2008 Jan 21.
- Nasrallah H, Morosini P, Gagnon DD. Reliability, validity and ability to detect change of the Personal and Social Performance scale in patients with stable schizophrenia. Psychiatry Res. 2008 Nov 30;161(2):213-24. doi: 10.1016/j.psychres.2007.11.012. Epub 2008 Oct 11.
- Rausch M, Muller HJ, Zehetleitner M. Metacognitive sensitivity of subjective reports of decisional confidence and visual experience. Conscious Cogn. 2015 Sep;35:192-205. doi: 10.1016/j.concog.2015.02.011. Epub 2015 Mar 7.
- Singmann, H., B. Bolker, et al. afex: Analysis of factorial experiments. R package version 0.15-2. 2015.
- Team, R. C.R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing. 2016.
- van der Gaag M, Hoffman T, Remijsen M, Hijman R, de Haan L, van Meijel B, van Harten PN, Valmaggia L, de Hert M, Cuijpers A, Wiersma D. The five-factor model of the Positive and Negative Syndrome Scale II: a ten-fold cross-validation of a revised model. Schizophr Res. 2006 Jul;85(1-3):280-7. doi: 10.1016/j.schres.2006.03.021. Epub 2006 May 26.
- Wickham, H. ggplot2: elegant graphics for data analysis, Springer. 2016.
- Yeung N, Summerfield C. Metacognition in human decision-making: confidence and error monitoring. Philos Trans R Soc Lond B Biol Sci. 2012 May 19;367(1594):1310-21. doi: 10.1098/rstb.2011.0416.
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (预期的)
研究完成 (预期的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.