Este protocolo describe una batería integrada de 60 minutos —condicionamiento pavloviano-operante del miedo con evitación, adquisición–extinción–reaprendizaje del miedo con estímulos sociales, y aprendizaje probabilístico de recompensa— que registra simultáneamente la conductancia de la piel, el comportamiento y calificaciones por fases para derivar índices individuales de aprendizaje ante amenazas y recompensas en adultos.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de método
Aprendizaje asociativo y experiencias infantiles adversas: un protocolo multisistémico
En este artículo
Resumen
Resumen
Las experiencias adversas en la infancia (ACE) son factores de riesgo transdiagnósticos establecidos para la ansiedad y la depresión en la edad adulta, aunque los mecanismos neurocognitivos que vinculan la adversidad temprana con los síntomas siguen siendo poco claros dentro de un marco unificado. Este protocolo presenta una batería experimental integrada y multisistémica que captura la discriminación de amenazas, el aprendizaje de seguridad y la sensibilidad al recompensa dentro de una única sesión de laboratorio. Treinta y ocho adultos sanos completaron tres paradigmas conductuales —condicionamiento fóbico pavloviano a operante con evitación (Experimento 1), adquisición-extinción-readquisición del miedo con estímulos sociales (Experimento 2) y aprendizaje probabilístico de recompensa (Experimento 3)— junto con autoinformes validados sobre adversidad en la infancia (CTQ-SF), experiencias benévolas en la infancia (BCE), depresión (PHQ-9), ansiedad (GAD-7, STAI). Se recopilaron datos multicanal simultáneamente: respuesta de conductancia cutánea (SCR) como índice fisiológico de activación autonómica, evitación mediante pulsación de botón y elecciones probabilísticas como índices conductuales, y valoraciones subjetivas por fases de expectativa, amenaza y alivio. Cada paradigma produjo su efecto canónico: discriminación pavloviana en SCR (p = 0,009, ηp2 = 0,12), en expectativa (p < 0,001, ηp2 = 0,58) y en valoraciones de amenaza (p < 0,001, ηp2 = 0,35); alivio operante que discrimina entre amenazas evitables y inevitables (p < 0,001, d = 0,86); respuesta autonómica diferencial presente durante la adquisición pero no durante la extinción en el Experimento 2 (adquisición p = 0,008; extinción p = 0,168), coexistiendo con un conocimiento declarativo persistente de la contingencia (p < 0,001, d = 3,08); y aprendizaje probabilístico de recompensa por encima del azar en el Experimento 3 (M = 73 %, p < 0,001, d = 1,97). El diseño multisistémico reveló disociaciones que un solo canal habría pasado por alto, especialmente una respuesta autonómica atenuada junto con una percepción subjetiva persistente de amenaza. Los índices por participante derivados del protocolo mostraron sensibilidad a las diferencias individuales en las experiencias de la infancia, con análisis ilustrativos de moderación reportados en el material suplementario. El protocolo proporciona un marco portátil y escalable para indexar cómo la adversidad temprana reajusta el procesamiento de amenazas y recompensas en la edad adulta.
Introducción
Las experiencias adversas en la infancia (ACE, por sus siglas en inglés), que incluyen abuso, negligencia y disfunción en el hogar, son altamente prevalentes en todo el mundo, con tasas que superan el 60 % en muchas poblaciones1. Las síntesis de investigaciones indican que la mayoría de los niños están expuestos a al menos un evento adverso durante su desarrollo2. Se ha establecido bien que las ACE son factores de riesgo transdiagnósticos para la psicopatología adulta3, contribuyendo a aproximadamente el 30 % de los trastornos de ansiedad y el 40 % de los casos de depresión1. A pesar de esta fuerte asociación, las evaluaciones clínicas comúnmente utilizadas se basan en diagnósticos categóricos y autoinformes retrospectivos, que son vulnerables al sesgo de recuerdo y no capturan los procesos neurocognitivos en tiempo real4.
Para superar estas limitaciones, existe un énfasis creciente en enfoques transdiagnósticos que se centran en mecanismos subyacentes, particularmente en el aprendizaje asociativo. El aprendizaje asociativo, que incluye tanto el condicionamiento clásico como el operante, proporciona un marco para comprender cómo las personas codifican las relaciones entre señales ambientales, comportamientos y resultados, con el fin de orientar la toma de decisiones4,5. Dentro de este marco, la teoría de vulnerabilidad latente postula que las adversidades tempranas inducen adaptaciones neurobiológicas, como una mayor vigilancia, que inicialmente son adaptativas en entornos impredecibles, pero que pueden volverse desadaptativas en contextos posteriores más seguros6,7.
Existen evidencias de que las experiencias adversas en la infancia (ACE) influyen tanto en los procesos de aprendizaje relacionados con la amenaza como con la recompensa. Las personas con antecedentes de adversidad suelen mostrar una menor capacidad de discriminación entre las señales condicionadas de peligro (CS+) y de seguridad (CS−), lo que indica una alteración en el aprendizaje de la amenaza8. Paralelamente, se ha asociado la adversidad temprana con una sensibilidad reducida a la recompensa, evidenciada en una menor precisión y una adquisición más lenta de las contingencias de recompensa8. En condiciones de incertidumbre, estas personas también pueden presentar una mayor variabilidad en la toma de decisiones y una tendencia a asumir que la recompensa se entrega de forma aleatoria, lo cual es coherente con una exposición temprana a entornos volátiles5,9.
Estos patrones de aprendizaje están además moldeados por factores protectores y dependientes del estado. Las Experiencias Positivas en la Infancia (BCE, por sus siglas en inglés) pueden atenuar los efectos de la adversidad sobre los sistemas de aprendizaje10, mientras que los estados afectivos actuales, como la ansiedad, pueden modular los procesos de condicionamiento11. Las medidas fisiológicas del arousal autonómico, incluyendo la Respuesta de Conductancia de la Piel (SCR, por sus siglas en inglés), proporcionan índices objetivos de estos procesos y se utilizan ampliamente en paradigmas de condicionamiento12.
Una limitación importante en la literatura actual es el uso de tareas aisladas que evalúan por separado el aprendizaje ante amenazas o recompensas, lo que limita la capacidad de captar el funcionamiento neurocognitivo integrado1. El presente protocolo aborda esta brecha al proporcionar un marco estandarizado que combina medidas conductuales y fisiológicas en múltiples dominios de aprendizaje. Específicamente, el protocolo incluye tres componentes experimentales: (1) un paradigma que evalúa las transiciones del condicionamiento pavloviano al operante, (2) una tarea de extinción del miedo social y (3) una tarea de aprendizaje probabilístico de recompensa8.
La justificación para esta combinación particular de paradigmas no radica en que alguna de estas tres tareas, aislada por sí misma, sea más sensible a la adversidad temprana que los muchos otros paradigmas de aprendizaje establecidos disponibles; se trata de una justificación de medición. En su revisión sistemática de 81 estudios (38 sobre amenaza, 43 sobre recompensa), Ruge et al.1 demostraron que la literatura que vincula los ACEs con el aprendizaje asociativo sigue siendo heterogénea y, en aspectos clave, inconcluyente precisamente porque los estudios típicamente emplean una sola tarea, registran un único canal de respuesta y operacionalizan la adversidad de formas no armonizadas. A modo ilustrativo, la mitad de los estudios conductuales sobre aprendizaje por recompensa informaron un aprendizaje atenuado, mientras que la otra mitad reportó resultados nulos; la escasa literatura sobre extinción está dominada por hallazgos nulos y por informes que omiten la fase previa de adquisición; y ninguna medida de resultado ha surgido como universalmente más confiable, por lo que los diferentes canales de respuesta no son intercambiables como indicadores equivalentes. Su recomendación explícita es avanzar hacia protocolos intra-sujeto, multi-dominio y multi-canal que produzcan índices a nivel individual. La presente tríada sigue dicha recomendación porque sus tres tareas abarcan tres demandas computacionalmente disociables que ningún paradigma único cubre, y que la teoría de la vulnerabilidad latente7 predice que la adversidad debería moldear de formas diferentes: (i) discriminación entre amenaza y seguridad combinada con la controlabilidad instrumental, con el alivio como refuerzo putativo de la evitación13; (ii) aprendizaje inhibitorio (de seguridad) y retorno del miedo, evaluado mediante estímulos de rostros sociales11, el dominio de estímulos ecológicamente relevante para el maltrato interpersonal; y (iii) aprendizaje por refuerzo bajo incertidumbre probabilística, que produce parámetros computacionales individuales (tasa de aprendizaje alfa, temperatura inversa beta)8. Dado que las tres tareas se administran en el mismo participante, el diseño permite preguntar si las alteraciones relacionadas con los ACE son de carácter generalizado —una reconfiguración global del aprendizaje asociativo, como proponen Hanson et al.8 y como predeciría un modelo neurocomputacional de vulnerabilidad latente6— o específicas de valencia, limitadas a la amenaza. Un estudio con una sola tarea no puede, por diseño, decidir entre estas hipótesis en competencia.
La batería está diseñada para probar un conjunto de predicciones explícitas y direccionales, que la muestra actual no tiene potencia estadística suficiente para evaluar y que se presentan aquí como objetivos para estudios con potencia adecuada. De acuerdo con el patrón de aprendizaje atenuado descrito por Ruge et al.1, se predice que una mayor carga de ACE se asocie con (i) una menor discriminación entre CS+/CS− en el Experimento 1, provocada por una respuesta atenuada al CS+ y que se espera que sea más pronunciada en el canal autonómico (SCR) que en la expectativa declarativa, que podría mantenerse intacta; (ii) una mayor respuesta de evitación y una mayor sensación subjetiva de alivio ante el CS+ evitable, lo cual es consistente con la evitación reforzada por alivio13; (iii) una extinción más lenta y un retorno más rápido y mayor del miedo durante la reacquisición en el Experimento 2, un efecto que se predice que se amplificará con los estímulos sociales (rostros) que tienen relevancia ecológica para la adversidad interpersonal11; y (iv) una menor precisión en la elección, una tasa de aprendizaje más baja (alfa) y una mayor variabilidad en la elección (beta más bajo) en el Experimento 38. Es fundamental que las tres tareas aporten conjuntamente información sobre una quinta predicción diferencial: si la alteración relacionada con ACE es general en todos los dominios, la atenuación debería observarse en las tres tareas; si es específica de la valencia, debería limitarse a los dos paradigmas de amenaza y estar ausente en el aprendizaje probabilístico de recompensa. Dado que los canales de respuesta se registran simultáneamente, es posible evaluar una predicción adicional: que los efectos del ACE dependan del canal y no sean uniformes, de modo que las conclusiones derivadas de cualquier canal individual no se generalicen a los demás.
El experimento 1 adapta el paradigma de condicionamiento de miedo de tipo pavloviano a operante con evitación y calificaciones de alivio ensayo por ensayo desarrollado por San Martín et al.13, en el que se utilizan dos señales CS+ (una evitable y otra inevitable) y una CS− para disociar la discriminación pavloviana del control instrumental sobre el resultado aversivo. En el paradigma original, las calificaciones de expectativa del estímulo incondicionado (US) durante la fase de adquisición pavloviana se evaluaban retrospectivamente al final de la fase por parte del experimentador, en lugar de hacerlo ensayo por ensayo. En la adaptación actual, se recopilaron simultáneamente durante toda la tarea, fase por fase, calificaciones subjetivas de expectativa, amenaza y alivio mediante escalas análogas visuales, lo que permite un seguimiento continuo de la dinámica del aprendizaje a través de las fases.
El experimento 2 adapta el protocolo de adquisición–extinción del miedo con estímulos sociales (rostros) de Dibbets y Evers9, ampliándolo con una breve prueba de reacquisición para evaluar la reaparición rápida de la respuesta condicionada (efecto de ahorro).
El experimento 3 adapta la tarea de aprendizaje probabilístico de recompensa introducida por Hanson et al.8 para el estudio de diferencias en el aprendizaje relacionadas con adversidades tempranas, con dos contingencias de recompensa (80/20 y 70/30) que permiten la estimación de parámetros individuales de aprendizaje por refuerzo (Alpha y Beta del Q-learning). Al integrar estos tres paradigmas en una única sesión de laboratorio, el presente protocolo posibilita la comparación directa intra-sujeto de los procesos de aprendizaje ante amenazas y recompensas, que normalmente se estudian de forma aislada. Además de la precisión por ensayo y los parámetros de Q-learning, la canalización de análisis también produce pendientes individuales de la trayectoria de aprendizaje derivadas de un modelo mixto lineal ajustado, disponibles para su uso en muestras más grandes.
Aquí deben distinguirse dos objetivos diferentes, ya que no son equivalentes. El primero consiste en demostrar que una batería de este tipo puede realizarse como una sesión única e integrada de 60 minutos y que cada uno de sus componentes provoca el efecto canónico para el que fue diseñado; la reproducción de efectos canónicos constituye evidencia suficiente para este primer objetivo. El segundo consiste en demostrar que los índices resultantes son sensibles y específicos respecto a las consecuencias de la adversidad en la infancia; la reproducción de efectos canónicos no es evidencia suficiente para ello, y la muestra actual no tiene potencia estadística para proporcionarla. El objetivo principal de este informe es, por tanto, la viabilidad técnica y metodológica de la batería integrada: si la adquisición de amenaza, la evitación instrumental con alivio, la extinción y el retorno del miedo con estímulos sociales, y el aprendizaje probabilístico de recompensas pueden obtenerse simultáneamente a través de canales autonómicos, conductuales y de autoinforme dentro de una única sesión, y si el procedimiento produce índices estables y reutilizables por participante (contrastes diferenciales de SCR, contraste operante de alivio, parámetros alfa y beta del aprendizaje por refuerzo tipo Q, y pendientes individuales de las trayectorias de aprendizaje). La evaluación de alteraciones relacionadas con experiencias adversas en la infancia (ACE) en el aprendizaje constituye un objetivo secundario, exploratorio e ilustrativo: los análisis de diferencias individuales presentados aquí tienen como finalidad demostrar la capacidad de medición del protocolo y poner a disposición sus índices candidatos para trabajos futuros, sin pretender probar específicamente las vías entre trauma y aprendizaje. Así, el protocolo proporciona índices candidatos; si poseen la sensibilidad y especificidad necesarias para caracterizar las consecuencias neurocognitivas de la adversidad en la infancia deberá establecerse en muestras más grandes, idealmente enriquecidas con grupos extremos y previamente registradas1,14.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
El presente protocolo describe los procedimientos y el instrumental utilizados para medir la respuesta de conductancia de la piel (SCR) en participantes sanos de 18 años o más, cumpliendo con los requisitos del comité de ética. Antes de participar en el estudio, todos los participantes firmaron un formulario de consentimiento informado que también incluía la posibilidad de ser contactados nuevamente después de seis meses para una evaluación de seguimiento. Todos los procedimientos descritos en este documento fueron aprobados por el Comité Científico de Ética de la Universidad de los Andes (ID: CEC2025023).
NOTA: Este protocolo proporciona una descripción detallada del flujo experimental completo (Figura 1), incluyendo la programación de participantes, preparación del laboratorio, adquisición de señales fisiológicas, organización de datos y manejo de datos posteriores al experimento. Además, describe el procedimiento de capacitación del personal implementado para garantizar que las grabaciones de SCR se recojan de manera consistente, estandarizada y confiable en todas las sesiones experimentales.
Figura 1: Esquema general del diseño del estudio. Cada participante completó una única sesión de laboratorio que abarcó tres paradigmas conductuales secuenciales: condicionamiento pavloviano-operante del miedo con evitación (Experimento 1), adquisición–extinción–re-adquisición del miedo con estímulos sociales (Experimento 2) y aprendizaje probabilístico de recompensas (Experimento 3). También se recopilaron autoinformes sobre adversidades en la infancia (CTQ-SF), experiencias benévolas en la infancia (BCE) y síntomas actuales (PHQ-9, GAD-7, STAI). Se registraron simultáneamente datos multicanal: respuesta de conductancia de la piel, conducta (evitación, elecciones probabilísticas) y valoraciones subjetivas (expectativa, amenaza, alivio). Los índices por participante se incluyeron en análisis de diferencias individuales (véase Archivo Suplementario 2). Haga clic aquí para ver una versión más grande de esta figura.
1. Formación del personal
- Capacite a cada miembro del equipo en tres etapas progresivas para garantizar una medición de datos estandarizada y precisa.
- Realice ensayos internos en los que cada miembro del personal tome muestras y realice los tres experimentos según sus respectivos protocolos, de modo que el capacitado se familiarice con el equipo y con el manejo de los participantes.
- Luego, haga que cada capacitado tome muestras de participantes reales bajo la supervisión de al menos uno de los investigadores principales, con el fin de verificar su capacidad para aplicar el protocolo y corregir cualquier error.
- Autorice al asistente a tomar muestras de forma autónoma y a programar nuevos participantes solo después de que el protocolo completo se haya aplicado correctamente bajo supervisión.
2. Programación
- Reclutar y programar participantes a través de las redes sociales, proporcionando los objetivos generales de la investigación y los criterios de participación.
- Crear un póster digital y distribuirlo a través de los canales de reclutamiento para llegar al mayor número posible de participantes potenciales.
- Indicar a los candidatos interesados que contacten al equipo de investigación por correo electrónico y programen una sesión en un día conveniente para el participante.
- Enviar al participante un enlace al cuestionario en línea, titulado "Las Marcas Invisibles: El Papel del Aprendizaje Asociativo en la Relación entre Experiencias Adversas en la Infancia y la Salud Mental en la Edad Adulta".
- Iniciar el cuestionario con un formulario de consentimiento informado, y exigir que el participante lo lea y acepte antes de presentar cualquier otro ítem.
- Incluir en el cuestionario una sección sociodemográfica y las siguientes escalas psicométricas validadas: Cuestionario de Salud del Paciente-9 (PHQ-9)15, Cuestionario de Detección del Trastorno de Ansiedad Generalizada (GAD-7)16, Inventario de Ansiedad Estado-Rasgo (STAI)17, Cuestionario de Trauma Infantil—Versión Breve (CTQ-SF)18 y Experiencias Benevolentes en la Infancia (BCEs)10.
3. Preparativos
- Asegúrese de que al menos un miembro del personal esté presente en el laboratorio antes de la llegada del participante. Prepare el entorno experimental, verifique el funcionamiento correcto del equipo y confirme que se cumplan todos los requisitos del protocolo antes de iniciar la sesión:
- Encienda la computadora del laboratorio y verifique que el sistema operativo, el software experimental y todos los periféricos funcionen correctamente.
- Confirme que los archivos experimentales y el sistema de adquisición de datos estén listos para usarse.
- Abra y revise el archivo de trabajo diario antes de que el participante ingrese al laboratorio.
- Identifique el código de identificación (ID) correspondiente asignado al participante entrante.
- Verifique el orden de ejecución de las condiciones experimentales de acuerdo con el contrabalanceo predeterminado.
- Asegúrese de que el participante esté asignado al orden experimental correcto antes de comenzar cualquier adquisición de datos.
NOTA: El archivo de trabajo diario contiene toda la información necesaria para asignar el ID del participante y determinar el orden de ejecución del experimento, manteniendo el contrabalanceo requerido entre todas las condiciones experimentales. Por ejemplo, a un participante se le puede asignar el ID "015". - Organice el almacenamiento de datos en la computadora del laboratorio según la estructura de directorios estandarizada requerida por la tubería automatizada de procesamiento: una carpeta principal por experimento, una subcarpeta por condición de contrabalanceo y una carpeta por ID de participante, además de dos carpetas globales que recibirán los datos procesados y las bases de datos consolidadas (véase Archivo Suplementario 1).
- Cree la carpeta del participante correspondiente al ID y a la condición de contrabalanceo indicados en el archivo de trabajo diario antes de iniciar la adquisición de datos, y siga durante toda la sesión las convenciones de nomenclatura de directorios y archivos especificadas en Archivo Suplementario 1, ya que los scripts de preprocesamiento y bases de datos localizan los archivos por ruta y por nombre.
NOTA: En el Archivo Suplementario 1 se proporcionan el árbol de directorios, las etiquetas de las subcarpetas de contrabalanceo, las convenciones de nomenclatura de archivos y un ejemplo desarrollado. Desviarse de estas convenciones impide que la tubería automatizada localice los archivos del participante. - Verifique que el escritorio experimental esté completamente libre de objetos externos o distractores. Permita únicamente el sistema de adquisición de datos y los periféricos de la computadora necesarios para el experimento sobre el escritorio.
- Invite al participante a la habitación de forma tranquila y profesional.
- Solicite al participante que deje todos sus objetos personales en el área designada.
- Indique al participante que coloque su dispositivo móvil en modo silencioso para evitar interrupciones o distracciones durante la sesión experimental.
- Pida al participante que retire todos los accesorios de su mano no dominante, especialmente anillos, pulseras o cualquier objeto ubicado en los dedos medio y anular, ya que podrían interferir con las mediciones.
- Oriente al participante para que se siente cómodamente en la silla colocada frente a la computadora del laboratorio.
- Proporcione al participante una copia impresa física del documento de consentimiento informado.
- Permita tiempo suficiente para que el participante lea el documento y formule preguntas si es necesario.
- Confirme que el formulario de consentimiento informado esté firmado correctamente antes de iniciar cualquier procedimiento experimental.
NOTA: El procedimiento de consentimiento informado se repite en formato físico siguiendo los requisitos establecidos por el comité de ética, con el fin de mantener una copia física de respaldo de la documentación de consentimiento del participante.
4. Configuración experimental
NOTA: El montaje experimental debe seguir un protocolo estricto y estandarizado para garantizar que todas las mediciones fisiológicas se realicen en condiciones idénticas y controladas en todos los participantes.
- Encienda el sistema de adquisición y verifique que el dispositivo esté correctamente conectado al ordenador del laboratorio y sea reconocido por el software del sistema de adquisición (consulte Figura 2A–E).
- Confirme nuevamente que todos los módulos y periféricos necesarios estén funcionando correctamente antes de proceder con la preparación del participante.
- Tome dos electrodos de actividad electrodérmica (EDA) (consulte Figura 2F).
- Aplique una pequeña cantidad de gel conductor sobre la superficie de contacto de cada electrodo (consulte Figura 2G,H).
- Asegúrese de que el gel conductor esté distribuido uniformemente sobre la superficie del electrodo para mejorar el contacto eléctrico con la piel del participante y optimizar la calidad de la señal.
NOTA: Si no se aplica gel conductor a los electrodos, la señal registrada podría contener ruido excesivo y la calidad de la medición de la respuesta de conductancia cutánea (SCR) podría verse gravemente comprometida. - Coloque los electrodos en la mano no dominante del participante.
- Coloque un electrodo en la primera falange del dedo medio (tercer dedo) y el segundo electrodo en la primera falange del dedo anular (cuarto dedo) (consulte Figura 2I).
- Verifique que ambos electrodos estén firmemente colocados y mantengan un contacto estable con la piel sin causar molestias al participante.
- Coloque la correa de muñeca en la muñeca del participante.
- Mantenga los electrodos de EDA desconectados de la correa de muñeca durante la fase de calibración (consulte Figura 2J).
- Encienda la correa de muñeca para establecer la comunicación inalámbrica con el sistema de adquisición fisiológica.
- Confirme que el dispositivo haya sido detectado correctamente.
NOTA: Se debe prestar especial atención a la correa de muñeca durante toda la sesión experimental. Los miembros del personal deben verificar continuamente que el dispositivo permanezca encendido y conectado antes de iniciar el experimento, ya que cualquier interrupción en la comunicación podría comprometer el registro fisiológico. - Inicie el proceso de adquisición en el software de adquisición.
- Espere a que aparezca la ventana de calibración, que se muestra automáticamente en la pantalla cuando comienza la adquisición.
- Realice el procedimiento de calibración mientras los electrodos permanecen desconectados de la correa de muñeca.
- Siga las instrucciones de calibración proporcionadas por el software hasta que el procedimiento finalice.
- Tras una calibración exitosa, conecte los electrodos de EDA a la correa de muñeca (consulte Figura 2K).
- Verifique en el software que la señal de respuesta de conductancia cutánea (SCR) se esté adquiriendo correctamente.
- Indique al participante que mantenga su mano no dominante completamente inmóvil durante todo el experimento.
- Explique que movimientos innecesarios, contracciones de los dedos o cambios de postura podrían introducir ruido en la señal de SCR.
- Solicite al participante que mantenga una postura cómoda y relajada durante la sesión.
- Proporcione al participante unos auriculares antes de comenzar la tarea experimental.
- Verifique que los auriculares funcionen correctamente y que el participante perciba con claridad los estímulos auditivos presentados durante el experimento.
- Inicie la tarea experimental en PsychoPy19.
- Cuando se abra la interfaz de PsychoPy, introduzca el nombre del participante en la ventana adicional que lo solicite.
- Introduzca el ID asignado al participante exactamente como se especifica en el archivo de ejecución diaria antes de iniciar el experimento.
NOTA: Siguiendo el ejemplo anterior, el ID del participante introducido en PsychoPy debe ser "015".
Figura 2: Sistema de adquisición, materiales y colocación de electrodos para la grabación de la conductancia de la piel. (A) Unidad principal Biopac MP200. (B) Módulo de adquisición de señales fisiológicas (PPG/EDA). (C) Módulo conector de sensores. (D) Módulo de entrada analógica. (E) Módulo TTL para la comunicación entre PsychoPy y AcqKnowledge. (F) Electrodos desechables (EL507A). (G) Gel isotónico (GEL101A) para mejorar el contacto con la piel. (H) Aplicación del gel sobre el electrodo. (I) Colocación de los electrodos en la primera falange de los dedos tercero y cuarto de la mano no dominante. (J) Colocación de la correa en la muñeca de la mano no dominante para la medición de SCR. (K) Electrodos conectados tras el proceso de calibración. Haga clic aquí para ver una versión ampliada de esta figura.
5. Inicio del experimento
- Antes de comenzar la tarea del experimento, explique detalladamente al participante cómo responder a las preguntas presentadas durante el experimento.
- Asegúrese de que el participante comprenda claramente: (i) el método de respuesta que se utilizará durante la tarea, (ii) el significado de las instrucciones mostradas en la pantalla y (iii) la importancia de mantenerse atento y minimizar los movimientos innecesarios durante todo el experimento.
- Responda cualquier pregunta adicional del participante antes de iniciar la sesión de grabación.
- Realice una verificación final de la configuración experimental completa para asegurarse de que todos los sistemas funcionen correctamente según el protocolo establecido, incluyendo: la comunicación del sistema de adquisición fisiológica, la conexión de la correa de muñeca, la calidad de la señal de SCR, la ejecución de PsychoPy, la presentación de audio a través de los auriculares y el registro correcto del identificador del participante.
- Una vez verificados todos los sistemas y el participante confirme que está listo para comenzar, inicie la tarea experimental.
- Abandone la sala experimental una vez iniciada la tarea, con el fin de minimizar influencias externas y distracciones durante la adquisición de datos.
- Permanezca cerca y disponible en caso de que se requiera asistencia técnica o apoyo al participante, y espere hasta que el participante complete la sesión.
6. Entre experimentos
- Reingrese a la sala experimental una vez que el participante haya finalizado la tarea y detenga la grabación fisiológica en el software de adquisición.
- Guarde la grabación fisiológica en la carpeta del participante como un archivo de adquisición, y luego exporte la misma grabación al formato MATLAB con eventos, de modo que el archivo exportado incluya los marcadores de estímulo generados por PsychoPy a través del módulo TTL; esta exportación genera adicionalmente un archivo de marcadores separado.
NOTA: La información de eventos y marcadores es necesaria para la canalización de preprocesamiento (Sección 8) a fin de segmentar la señal por ensayo y por tipo de estímulo. - Guarde la hoja de cálculo de salida de PsychoPy generada al finalizar la tarea en la misma carpeta del participante. Utilice la convención estandarizada de nombres de archivo detallada en Archivo Suplementario 1 para los cuatro archivos.
NOTA: Al final de cada experimento, la carpeta del participante debe contener el archivo de adquisición, el archivo MATLAB exportado, el archivo de marcadores y la hoja de cálculo de PsychoPy. En el Archivo Suplementario 1 se proporcionan los nombres exactos, rutas y un ejemplo desarrollado. - Desconecte cuidadosamente los electrodos de EDA del participante, asegurándose de que no ocurra movimiento excesivo ni molestias durante la extracción.
- Abra la siguiente tarea experimental de PsychoPy y reinicie el software de adquisición para prepararse para el siguiente experimento.
- Repita el procedimiento completo de preparación y adquisición a partir del paso 4.1.
NOTA: La sesión experimental completa consta de tres experimentos independientes. Por lo tanto, una vez finalizado el segundo experimento, debe repetirse el mismo procedimiento descrito anteriormente para el tercer experimento. - Al finalizar la sesión experimental completa, asegúrese de que el participante tenga tres subcarpetas, una para cada tarea experimental, y que cada una contenga todos los archivos mencionados anteriormente.
NOTA: La duración aproximada de cada tarea experimental fue estimada previamente para permitir a los miembros del personal monitorear al participante y verificar el correcto funcionamiento del sistema de adquisición durante la sesión. La duración estimada de cada experimento es la siguiente:
Experiment_1: aproximadamente 24 min.
Experiment_2: aproximadamente 17 min.
Experiment_3: aproximadamente 8 min.
Considerando el tiempo de preparación, calibración, periodos de transición entre experimentos y el procedimiento final, la sesión experimental completa tiene una duración aproximada de 60 min.
7. Final de los experimentos
- Cierre la sesión de grabación fisiológica una vez que se hayan completado las tres tareas experimentales.
- Detenga el proceso de adquisición en el software de adquisición si aún no se ha detenido.
- Desconecte los electrodos de EDA de la correa de la muñeca y retire la correa de la muñeca del participante.
- Permita que el participante retire los electrodos de EDA por sí mismo para minimizar molestias y garantizar una extracción segura de la piel.
- Verifique que todos los archivos experimentales y grabaciones fisiológicas se hayan guardado correctamente antes de finalizar la sesión.
- Agradezca al participante su colaboración y ofrézcale un refrigerio ligero como muestra de agradecimiento tras completar el procedimiento experimental.
NOTA: Si ocurre algún problema durante la grabación fisiológica debido a fallos técnicos, incluyendo, entre otros: pérdida de comunicación entre la correa de la muñeca y el módulo del sistema de adquisición fisiológica, apagado inesperado de la correa de la muñeca, electrodos sueltos o parcialmente desprendidos, o interrupciones temporales de la señal o ruido excesivo causado por problemas de conexión, el experimento debe continuar según lo planeado y el participante no debe repetir la sesión experimental.
8. Preprocesamiento de los datos
NOTA: Una vez que se haya completado la sesión experimental y todas las grabaciones fisiológicas se hayan almacenado adecuadamente, los datos de SCR deben someterse a un procedimiento estandarizado de preprocesamiento antes del análisis.
- Ejecute el script de MATLAB Ledalab_Format para reorganizar la estructura de datos de la grabación fisiológica exportada desde el software de adquisición, de modo que sea compatible con Ledalab, una caja de herramientas basada en MATLAB diseñada para el análisis de señales de EDA.
NOTA: En el código Ledalab_Format.mat, defina la ruta del archivo {Identification_Code}.mat como una variable de entrada. Esto permite que el archivo de grabación fisiológica exportado se convierta en un formato que Ledalab pueda leer y procesar correctamente. Una vez completado el proceso de conversión, debe generarse y guardarse un nuevo archivo de MATLAB dentro de la carpeta correspondiente al participante utilizando la siguiente convención de nomenclatura: Ledalab_{Identification_Code}.mat. Siguiendo el ejemplo anterior, si los datos del Experimento_1 se convierten para el participante "015", el archivo resultante debe denominarse: Ledalab_015.mat. - Abra Ledalab, en la barra de menú ubicada en la esquina superior izquierda, seleccione File > Import Data > Matlab File (*.mat). Luego, cargue el archivo de datos recién generado correspondiente a la condición experimental del participante.
- Introduzca los parámetros de muestreo en la ventana de configuración que Ledalab muestra una vez cargado el archivo.
- La frecuencia de adquisición original de la señal SCR es de 2000 Hz. Para reducir la carga computacional, reduzca la frecuencia de muestreo a 10 Hz utilizando los siguientes parámetros: frecuencia de muestreo objetivo: 10 Hz, factor de submuestreo: 200, método de remuestreo: Steps.
- Tras completar el procedimiento de submuestreo, realice un análisis de descomposición continua (CDA)20 dentro de Ledalab para descomponer la señal de EDA en sus componentes tónica y fásica.
- En la barra de menú, seleccione Analysis > Continuous Decomposition Analysis (Extraction of Continuous Phasic/Tonic Activity).
- Espere a que aparezca en pantalla la ventana de configuración.
- En esta ventana, seleccione la opción Optimize para ajustar automáticamente los parámetros del análisis.
- Una vez finalizado el proceso de optimización, haga clic en Apply para iniciar el análisis CDA.
- Una vez completado el análisis CDA, seleccione Results > Event-related Analysis, y aparecerá una ventana de configuración en pantalla.
- Establezca el umbral mínimo de amplitud en el valor predeterminado de Ledalab de 0,01 µS y deje desactivada la opción de escala z. Los marcadores de eventos exportados desde el software de adquisición etiquetan por separado el inicio del estímulo condicionado y el inicio del estímulo incondicionado, por lo que el análisis relacionado con eventos devuelve una respuesta para cada uno. Establezca la ventana de respuesta de la siguiente manera:
- Para el Experimento 1, utilice de 0 s a 9 s después del marcador de evento.
- Para el Experimento 2, utilice de 0 s a 6 s después del marcador de evento.
- Exporte el resultado como un archivo de hoja de cálculo. Ledalab genera una hoja de cálculo que contiene la información fisiológica y relacionada con eventos extraída de la señal SCR.
NOTA: La ventana de respuesta corresponde a la duración completa del estímulo condicionado en cada tarea (Supplementary Table 1: 9 s en el Experimento 1 y 6 s en el Experimento 2), de modo que la respuesta evocada por el CS cubra todo el intervalo CS-US y no se vea contaminada por la respuesta incondicionada, que se puntúa por separado en su propio marcador de evento. Las respuestas que se sitúan por debajo del umbral de 0,01 µS se registran como cero por Ledalab y se mantienen en el análisis como ceros; no las elimine, ya que su eliminación inflaría la respuesta media de los participantes con baja respuesta. - Repita el procedimiento completo de preprocesamiento, submuestreo y CDA para el Experimento 2 (consulte la NOTA a continuación para el Experimento 3, que sigue un procedimiento diferente y no requiere la salida de CDA).
NOTA: Al final de la fase de preprocesamiento, cada carpeta experimental debe contener un archivo adicional de hoja de cálculo correspondiente a los resultados del análisis CDA generados por Ledalab. Este archivo debe convertirse posteriormente al formato .xlsx para su almacenamiento, organización y análisis posterior. El Experimento 3 sigue un procedimiento diferente de preprocesamiento. Para este experimento, solo debe utilizarse el script de MATLAB, y no requiere la salida de CDA, sino únicamente los valores alfa y beta. Cuando el script se ejecuta para "Experiment_3", extrae automáticamente los valores alfa y beta, los combina con la información conductual y guarda la hoja de cálculo resultante en Global_Data/Exp_3. - Realice el control de calidad de la señal, identifique no respondedores y maneje los artefactos.
- Antes de cualquier análisis estadístico, muestre en Ledalab la traza completa de conductancia cutánea submuestreada de cada participante e inspecciónela visualmente desde el primer hasta el último marcador de evento. Realice esta inspección para cada participante y para cada tarea por separado, ya que la calidad de la señal es específica del canal y de la tarea.
- Rechace toda la traza y trate el canal SCR de esa tarea como perdido para ese participante si se observa alguna de las siguientes condiciones: (i) una señal plana o ausente durante toda la tarea, lo que indica pérdida de comunicación inalámbrica con la pulsera, una pulsera apagada o un electrodo desprendido; (ii) un nivel tónico de conductancia cutánea inferior a 0,05 µS mantenido durante toda la tarea, lo que indica un contacto inadecuado entre electrodo y piel más que una baja activación; (iii) una deriva ininterpretable o una inflación súbita y sostenida de la amplitud que no esté sincronizada con ningún evento; o (iv) saturación del rango del amplificador.
NOTA: No repita la sesión ni excluya al participante de las otras tareas ni de los canales conductual y de autoinforme. - Defina a un participante como no respondedor para una tarea determinada si ninguna respuesta fásica alcanza o supera el umbral de 0,01 µS en ningún evento de esa tarea, incluidos los eventos del estímulo incondicionado en los ensayos reforzados, es decir, si el participante no produce ninguna respuesta electrodérmica medible incluso ante el resultado aversivo mismo.
- Excluya al no respondedor de todos los canales de esa tarea —conductancia cutánea, comportamiento y valoraciones subjetivas— porque la ausencia de cualquier respuesta electrodérmica incluso ante el estímulo incondicionado indica que el sistema electrodérmico no fue medible en esa sesión y pone en duda si el participante se involucró realmente con la contingencia.
- Mantenga a ese participante en las otras dos tareas. Distinga este caso de la pérdida técnica de señal (un electrodo desprendido o una pulsera que perdió comunicación inalámbrica), en el que el participante sí respondió, pero la señal no se registró: en ese caso, trate el canal SCR de esa tarea como perdido y mantenga los datos conductuales y subjetivos de esa tarea, que no se ven afectados por la calidad de la señal electrodérmica.
- Informe por separado la tasa de no respondedores y la tasa de pérdida técnica para cada tarea.
- Identifique los artefactos por movimiento en la traza como (i) transitorios ascendentes bruscos que no están sincronizados con ningún marcador de evento, o (ii) desplazamientos escalonados en el nivel tónico producidos por la contracción de los dedos, un cambio de postura o el roce de los electrodos contra la silla o el escritorio.
- Marque cada ensayo que contenga tal artefacto dentro de su ventana de puntuación y exclúyalo a nivel de ensayo; no excluya al participante.
- Excluya a un participante de todos los canales de una tarea, y no solo de su análisis SCR, si más del 25 % de los ensayos de esa tarea están marcados como contaminados por artefactos: los ensayos restantes ya no permiten una estimación estable por participante, y las condiciones de grabación de esa sesión no son adecuadas para ningún canal. Mantenga a ese participante en las otras dos tareas.
- Transforme las amplitudes a nivel de ensayo mediante log(SCR + 1) antes de promediar, con el fin de normalizar la distribución positivamente asimétrica de las amplitudes electrodérmicas; establezca en cero cualquier valor CDA negativo, consecuencia rara de la deriva de la línea base, antes de la transformación.
- Agregue los ensayos transformados para obtener un valor por participante, por fase y por estímulo.
- Informe el tamaño muestral analítico (n) por separado para cada canal (SCR, comportamiento, valoraciones) y para cada tarea, ya que la pérdida específica de canal hace que estos valores de n diverjan.
- Registre cada decisión tomada en los pasos 8.14.1–8.14.9 en un registro de calidad por participante que contenga: identificación del participante, tarea, condición de contrabalanceo, traza aceptada o rechazada (con motivo), rango del nivel tónico, número e identidad de los ensayos rechazados por artefactos, porcentaje de ensayos rechazados por artefactos, estado de no respondedor y contribución final al tamaño muestral analítico para cada canal.
- Guarde el registro de calidad junto con las bases de datos consolidadas para que la pérdida de datos específica por canal sea verificable y reproducible.
NOTA: En la muestra actual, ningún participante cumplió el criterio de no respondedor del paso 8.14.3, y ningún participante superó el umbral del 25 % de artefactos del paso 8.14.6; por consiguiente, ningún participante fue excluido de todos los canales de una tarea. Las divergencias en el tamaño muestral analítico son de dos tipos independientes: pérdida técnica del canal electrodérmico, que deja intactos los registros conductuales y subjetivos de esa tarea, e incompletitud de los registros conductuales o de autoinforme (una tarea no completada o respuestas en escala visual analógica perdidas), que son independientes de la calidad de la señal electrodérmica. El tamaño muestral analítico exacto para cada canal y cada tarea se informa en el párrafo de muestra analítica de los Resultados Representativos. El Experimento 3 no incluye un canal SCR, por lo que su n refleja pérdida de datos conductuales y no electrodérmicos. Informar explícitamente estos criterios aborda la falta de armonización en la operativización y el informe de resultados electrodérmicos destacada por Ruge et al.1.
9. Bases de datos
- Ejecute el script de Python Data_Bases.py para combinar, para cada participante, las mediciones fisiológicas obtenidas a partir de las grabaciones de SCR con las respuestas recopiladas durante la tarea experimental.
NOTA: El script integra la información obtenida de las grabaciones fisiológicas procesadas mediante Ledalab, los resultados del análisis CDA y las hojas de cálculo de respuestas de PsychoPy generadas durante el experimento. - Después de que el script se haya ejecutado correctamente, asegúrese de que se genere y almacene en la carpeta Global_Data una hoja de cálculo consolidada que contenga tanto la información fisiológica como la conductual de un único participante.
NOTA: Siguiendo el ejemplo anterior, si se selecciona Experimento_1 para su análisis, el script de Python recorrerá automáticamente las carpetas de todos los participantes asociados a ese experimento, fusionará las salidas del CDA con los datos conductuales correspondientes para cada participante y generará un archivo de hoja de cálculo individual para cada participante dentro de la carpeta Global_Data/Exp_1. - Una vez generadas las bases de datos individuales de los participantes, utilice el script de Python Completed_Bases_Per_Experiment.py para combinar los datos de todos los participantes para cada tarea experimental.
NOTA: El script combina la información de todas las carpetas de participantes en una base de datos unificada para cada experimento, facilitando así el análisis estadístico y el procesamiento posterior de los datos. Si el procedimiento se completa con éxito, se generarán tres hojas de cálculo finales, cada una correspondiente a uno de los tres experimentos:
Una hoja de cálculo para Experimento_1
Una hoja de cálculo para Experimento_2
Una hoja de cálculo para Experimento_3 - Guarde las bases de datos completas resultantes en la carpeta Complete_Data_Bases.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
Muestra analítica
Un total de 38 adultos sanos completaron la sesión experimental completa y el cuestionario de autorreporte (CTQ-SF, BCE, PHQ-9, GAD-7, STAI). Los tamaños de la muestra según el análisis variaron ligeramente debido a la pérdida de datos específica por canal, y no por retirada de los participantes. Tamaños de la muestra por análisis: Experimento 1 — ANOVA de SCR y calificaciones (fases pavloviana y operante), n = 37; ANOVA de pulsación operante del botón, n = ...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
Los resultados actuales establecen la viabilidad técnica y metodológica de una batería integrada y de sesión única que abarca la adquisición de amenazas con control instrumental, el aprendizaje de seguridad y el retorno del miedo, así como el aprendizaje probabilístico de recompensas. En una muestra de 35 a 38 adultos sanos (los tamaños muestrales analíticos diferían ligeramente entre experimentos debido a la pérdida de señal específica por canal, no por retiro de participantes), cada paradigma reprodujo su efecto canóni...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores declaran que no tienen intereses financieros ni no financieros en conflicto.
Agradecimientos
Los autores agradecen a todos los participantes por su tiempo y participación, así como a los asistentes de investigación y al equipo del laboratorio de la Universidad de los Andes. Esta investigación fue financiada por la Agencia Nacional de Investigación y Desarrollo de Chile (ANID) mediante la beca Fondecyt Iniciación n.º 11250037 (Investigadora Principal: Maria Consuelo San Martin). R.C.V. recibió apoyo del Centro Nacional de Inteligencia Artificial CENIA FB210017, Basal ANID.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Software AcqKnowledge | BIOPAC Systems Inc. | ACK100W (Windows) / ACK100M (Mac) | Software de adquisición y análisis de señales fisiológicas. RRID:SCR_014279 (verificar con la entrada actual en SciCrunch). |
| paquete afex (R) | Singmann, Bolker, Westfall, Aust & Ben-Shachar | Versión 1.5-1 | Paquete R para experimentos factoriales. Utilizado para todos los ANOVAs de medidas repetidas (Experimentos 1-3) mediante aov_ez(). RRID:SCR_022761 (verificar con la entrada actual en SciCrunch). |
| paquete ARTool (R) | Wobbrock, Findlater, Gergle & Higgins | Versión 0.11.2 | Transformación de rango alineado para ANOVA factorial no paramétrico. Utilizado para el ANOVA Fase x Estímulo sobre conductancia cutánea en el Experimento 2, cuya distribución no es gaussiana. |
| Escala de Experiencias Positivas en la Infancia (BCE) | Narayan, Rivera, Bernstein, Harris & Lieberman (2018) | Instrumento de dominio público (10 ítems) | Se utilizó la adaptación al español. No se asignó RRID a este instrumento; citar el artículo original de validación. |
| Correa para la muñeca BioNomadix (Transmisor) | BIOPAC Systems Inc. | BN-PPGED-T | Transmisor portátil para señales de EDA y PPG. Utilizado en conjunto con el módulo receptor BioNomadix. |
| Cuestionario de Trauma Infantil - Versión Breve (CTQ-SF) | Bernstein et al. (2003) | Autoinforme retrospectivo validado (28 ítems) | Cinco subescalas (EA, PA, SA, EN, PN). Sin RRID asignado; citar el artículo original. Se utilizó la adaptación al español. |
| Gel conductor para electrodos de EDA | BIOPAC Systems Inc. | GEL101A | Gel isotónico para mediciones de conductancia cutánea. |
| Electrodos desechables Ag/AgCl para EDA | BIOPAC Systems Inc. | EL507A | Electrodos desechables para registro de conductancia cutánea. |
| Escala de Trastorno de Ansiedad Generalizada (GAD-7) | Spitzer, Kroenke, Williams & Löwe (2006) | Autoinforme de 7 ítems | Se utilizó la versión validada en español. No se asignó RRID al instrumento; citar el original. |
| paquete ggplot2 (R) | Wickham | Versión 4.0.3 | Sistema de graficación basado en la gramática de gráficos. RRID:SCR_014601 (verificar con la entrada actual en SciCrunch). |
| Audífonos (de tipo supraaural) | HyperX (HP Inc.) | Cloud III | Headset cerrado con cable; utilizado para entregar el estímulo auditivo incondicionado durante el condicionamiento de miedo. |
| Ledalab | Benedek & Kaernbach (2010) | Caja de herramientas MATLAB de código abierto v3.2.5 | Análisis de descomposición continua (CDA) de señales de conductancia cutánea. No se asignó RRID (en su lugar, citar el artículo original). |
| paquete lme4 (R) | Bates, Maechler, Bolker & Walker | Versión 1.1-37 | Modelos lineales mixtos. Utilizado para estimar las pendientes de aprendizaje por participante en el Experimento 3. RRID:SCR_015654 (verificar con la entrada actual en SciCrunch). |
| MATLAB | MathWorks | R2025a | Utilizado para ejecutar Ledalab y la canalización de preprocesamiento de SCR. RRID:SCR_001622. |
| Cuestionario de Salud del Paciente-9 (PHQ-9) | Kroenke, Spitzer & Williams (2001) | Autoinforme de 9 ítems | Se utilizó la versión validada en español. No se asignó RRID al instrumento; citar el original. |
| Unidad de adquisición de datos fisiológicos (PsychoPy) | BIOPAC Systems Inc. | MP200 | Unidad principal de adquisición de señales fisiológicas. Combinada con el módulo inalámbrico de EDA BioNomadix. |
| Python | Python Software Foundation | Versión 3.12 | Utilizado para la canalización de preprocesamiento que combina la salida de Ledalab con los registros conductuales de PsychoPy (Data_Bases.py, Completed_Bases_Per_Experiment.py). RRID:SCR_008394 (verificar con la entrada actual en SciCrunch). |
| R (entorno de computación estadística) | R Foundation for Statistical Computing | Versión 4.5.0 | Entorno en el que se realizaron todos los análisis estadísticos. Los modelos de moderación se estimaron mediante regresión de mínimos cuadrados ordinarios con la función lm() del paquete base stats, con predictores estandarizados en z y el término de interacción calculado como su producto; no se utilizó ningún paquete especializado para moderación. RRID:SCR_001905 (verificar con la entrada actual en SciCrunch). |
| Inventario de Ansiedad Estado-Trazo (STAI) | Spielberger et al. (1983) | Forma Y del STAI (40 ítems, SAI + TAI) | Se utilizó la versión validada en español. No se asignó RRID al instrumento; citar el original. |
| Monitor de presentación de estímulos | Samsung | LS22D300GALXZS (S22D300, LED de 22 pulgadas) | Pantalla utilizada para los estímulos visuales CS+ / CS- y las escalas de valoración. |
Referencias
- Ruge J, et al. How adverse childhood experiences get under the skin: a systematic review, integration and methodological discussion on threat and reward learning mechanisms. eLife. 2024;13:e92700.
- Madigan S, et al. Adverse childhood experiences: a meta-analysis of prevalence and moderators among half a million adults in 206 studies. World Psychiatry. 2023;22(3):463-71.
- Teicher MH, Gordon JB, Nemeroff CB. Recognizing the importance of childhood maltreatment as a critical factor in psychiatric diagnoses, treatment, research, prevention, and education. Mol Psychiatry. 2022;27(3):1331-8.
- Smith KE, Pollak SD. Children's value-based decision making. Sci Rep. 2022;12:5953.
- Montague PR, Hyman SE, Cohen JD. Computational roles for dopamine in behavioural control. Nature. 2004;431(7010):760-7.
- Gerin MI, et al. A neurocomputational investigation of reinforcement-based decision making as a candidate latent vulnerability mechanism in maltreated children. Dev Psychopathol. 2017;29(5):1689-705.
- McCrory EJ, Viding E. The theory of latent vulnerability: reconceptualizing the link between childhood maltreatment and psychiatric disorder. Dev Psychopathol. 2015;27(2):493-505.
- Hanson JL, et al. Early adversity and learning: implications for typical and atypical behavioral development. J Child Psychol Psychiatry. 2017;58(7):770-8.
- van den Bos W, Güroğlu B, van den Bulk BG, Rombouts SARB, Crone EA. Better than expected or as bad as you thought? The neurocognitive development of probabilistic feedback processing. Front Hum Neurosci. 2009;3:52.
- Narayan AJ, Rivera LM, Bernstein RE, Harris WW, Lieberman AF. Positive childhood experiences predict less psychopathology and stress in pregnant women with childhood adversity. Child Abuse Negl. 2018;78:19-30.
- Dibbets P, Evers EAT. The influence of state anxiety on fear discrimination and extinction in females. Front Psychol. 2017;8:347.
- Sperl MFJ, Panitz C, Hermann C, Mueller EM. A pragmatic comparison of noise burst and electric shock unconditioned stimuli for fear conditioning research with many trials. Psychophysiology. 2016;53(7):1017-34.
- San Martín C, Jacobs B, Vervliet B. Further characterization of relief dynamics in the conditioning and generalization of avoidance: effects of distress tolerance and intolerance of uncertainty. Behav Res Ther. 2020;124:103526.
- McLaughlin KA, DeCross SN, Jovanovic T, Tottenham N. Mechanisms linking childhood adversity with psychopathology: learning as an intervention target. Behav Res Ther. 2019;118:101-9.
- Kroenke K, Spitzer RL, Williams JBW. The PHQ-9: validity of a brief depression severity measure. J Gen Intern Med. 2001;16(9):606-13.
- Spitzer RL, Kroenke K, Williams JBW, Löwe B. A brief measure for assessing generalized anxiety disorder: the GAD-7. Arch Intern Med. 2006;166(10):1092-7.
- Spielberger CD. Manual for the State-Trait Anxiety Inventory (Form Y). Consulting Psychologists Press; Palo Alto (CA); 1983.
- Bernstein DP, et al. Development and validation of a brief screening version of the Childhood Trauma Questionnaire. Child Abuse Negl. 2003;27(2):169-90.
- Peirce J, et al. PsychoPy2: experiments in behavior made easy. Behav Res Methods. 2019;51(1):195-203.
- Benedek M, Kaernbach C. A continuous measure of phasic electrodermal activity. J Neurosci Methods. 2010;190(1):80-91.
- Lonsdorf TB, et al. Don't fear "fear conditioning": methodological considerations for the design and analysis of studies on human fear acquisition, extinction, and return of fear. Neurosci Biobehav Rev. 2017;77:247-85.
- LeDoux JE, Moscarello J, Sears R, Campese V. The birth, death and resurrection of avoidance: a reconceptualization of a troubled paradigm. Mol Psychiatry. 2017;22(1):24-36.
- Wobbrock JO, Findlater L, Gergle D, Higgins JJ. The aligned rank transform for nonparametric factorial analyses using only ANOVA procedures. Presented at: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI '11); New York (NY); 2011.
- Fritz MS, MacKinnon DP. Required sample size to detect the mediated effect. Psychol Sci. 2007;18(3):233-9.
- Bouton ME. Learning and behavior: a contemporary synthesis. Sinauer Associates; Sunderland (MA); 2007.
- Rescorla RA, Wagner AR. A theory of Pavlovian conditioning: variations in the effectiveness of reinforcement and nonreinforcement. In: Black AH, Prokasy WF, editors. Classical Conditioning II: Current Research and Theory. Appleton-Century-Crofts; New York (NY); 1972.
- McClelland GH, Judd CM. Statistical difficulties of detecting interactions and moderator effects. Psychol Bull. 1993;114(2):376-90.
- Maier SF, Seligman MEP. Learned helplessness at fifty: insights from neuroscience. Psychol Rev. 2016;123(4):349-67.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Reimpresiones y permisos
Este artículo ha sido publicado
Video próximamente