Studies hebben tot op heden nog niet de mechanismen vastgesteld die ten grondslag liggen aan verschillen in emotioneleherkenning tussen autistische en neurotypische personen. Een nieuw onderzoek keek eerst of mensen met autisme en mensen zonder autisme verschillen in hoe nauwkeurig ze emoties kunnen herkennen aan de hand van wat ze zien, en hoe goed ze emoties kunnen koppelen aan de juiste gezichtsuitdrukkingen. Ten tweede werd onderzocht of deze verschillen verband hielden met uitdagingen bij het nauwkeurig herkennen van emotionele uitdrukkingen. Om dit te onderzoeken, deden 45 mensen met autisme en 45 mensen zonder autisme mee aan drie taken. Deze taken gebruikten bewegende lichtpuntjes om emotionele gezichtsuitdrukkingen te laten zien.
De resultaten van het onderzoek lieten zien dat mensen met autisme beter waren in het nauwkeurig zien van emoties in gezichtsuitdrukkingen dan mensen zonder autisme. Maar gek genoeg zorgde deze betere nauwkeurigheid niet voor een voordeel in het herkennen van emoties. Bij mensen zonder autisme voorspelde hun vermogen om non-verbale signalen te begrijpen en hoe goed ze emoties konden verbinden met de juiste gezichtsuitdrukkingen hun vermogen om emoties te herkennen. Aan de andere kant speelden deze dingen geen rol bij het herkennen van emoties bij mensen met autisme. Deze bevindingen suggereren de mogelijkheid dat autistische individuen minder worden geleid door hun emotierepresentaties, waarmee de Bayesiaanse benaderingen van autisme worden ondersteund.
Bayesiaanse benaderingen zijn theoretische kaders die gebruikmaken van principes uit de Bayesiaanse statistiek om menselijke cognitie en besluitvormingsprocessen te begrijpen. Deze benaderingen zijn van toepassing op verschillende domeinen, waaronder de psychologie, neurowetenschappen, kunstmatige intelligentie en zelfs filosofie.
Bayesiaanse statistiek is vernoemd naar de 18e-eeuwse Britse wiskundige en theoloog Thomas Bayes, die een methode ontwikkelde om waarschijnlijkheden te berekenen op basis van voorafgaande kennis en nieuwe informatie. Het centrale concept van de Bayesiaanse benadering is het gebruik van waarschijnlijkheid om onzekerheid te modelleren en te verminderen.
Om dit concept beter te begrijpen, stel je je voor dat emotieherkenning een puzzel is. Bij mensen zonder autisme kan het Bayesiaanse brein verschillende stukjes van de puzzel – visuele aanwijzingen, verbale aanwijzingen, context, stemintonatie, enzovoort – samenbrengen om een volledig en nauwkeurig beeld van de emotie te vormen. Dit vermogen om verschillende soorten informatie te combineren, wordt vaak “sensorische integratie” genoemd.
Bij mensen met autisme kunnen Bayesiaanse mechanismen anders werken. Het kan zijn dat ze minder vertrouwen op sensorische integratie en in plaats daarvan meer op specifieke aspecten van informatie, zoals precieze visuele kenmerken van emoties. Dit kan leiden tot nauwkeurige visuele emotierepresentaties, zoals vastgesteld in het onderzoek, maar kan mogelijk niet leiden tot een vloeiende en effectieve emotieherkenning in sociale situaties.
Bayesiaanse benaderingen helpen onderzoekers om de complexiteit van menselijke cognitie te begrijpen en te modelleren. Ze worden ook toegepast in andere gebieden van de neurowetenschappen en kunstmatige intelligentie, bijvoorbeeld om perceptuele processen, geheugen, besluitvorming en leren te verklaren. Het is belangrijk op te merken dat Bayesian accounts niet het enige theoretische kader zijn om autisme of menselijke cognitie te begrijpen, maar ze bieden wel waardevolle inzichten in hoe informatie wordt verwerkt en geïnterpreteerd in onze complexe hersenen.
Hoewel mensen met autisme heel precieze visuele emotierepresentaties hebben, betekent dit niet automatisch dat ze emoties beter kunnen herkennen. Er spelen waarschijnlijk andere factoren mee, mogelijk gerelateerd aan hoe hun hersenen emoties verwerken.
Keating CT, Ichijo E, Cook JL. Autistic adults exhibit highly precise representations of others’ emotions but a reduced influence of emotion representations on emotion recognition accuracy. Sci Rep. 2023 Jul 22;13(1):11875. doi: 10.1038/s41598-023-39070-0. PMID: 37481669.
