Thousands of papers using resting-state functional magnetic resonance imaging (RS-fMRI) have been published on brain disorders. Results in each paper may have survived correction for multiple comparison. However, since there have been no robust results from large scale meta-analysis, we do not know how many of published results are truly positives. The present meta-analytic work included 60 original studies, with 57 studies (4 datasets, 2266 participants) that used a between-group design and 3 studies (1 dataset, 107 participants) that employed a within-group design. To evaluate the effect size of brain disorders, a very large neuroimaging dataset ranging from neurological to psychiatric disorders together with healthy individuals have been analyzed. Parkinson's disease off levodopa (PD-off) included 687 participants from 15 studies. PD on levodopa (PD-on) included 261 participants from 9 studies. Autism spectrum disorder (ASD) included 958 participants from 27 studies. The meta-analyses of a metric named amplitude of low frequency fluctuation (ALFF) showed that the effect size (Hedges'g) was 0.19 - 0.39 for the 4 datasets using between-group design and 0.46 for the dataset using within-group design. The effect size of PD-off, PD-on and ASD were 0.23, 0.39, and 0.19, respectively. Using the meta-analysis results as the robust results, the between-group design results of each study showed high false negative rates (median 99%), high false discovery rates (median 86%), and low accuracy (median 1%), regardless of whether stringent or liberal multiple comparison correction was used. The findings were similar for 4 RS-fMRI metrics including ALFF, regional homogeneity, and degree centrality, as well as for another widely used RS-fMRI metric namely seed-based functional connectivity. These observations suggest that multiple comparison correction does not control for false discoveries across multiple studies when the effect sizes are relatively small. Meta-analysis on un-thresholded t-maps is critical for the recovery of ground truth. We recommend that to achieve high reproducibility through meta-analysis, the neuroimaging research field should share raw data or, at minimum, provide un-thresholded statistical images.

In fear differential conditioning, stimuli that resemble the conditioned stimulus (CS+) are more likely to trigger fear responses. Excessive fear responses on stimuli not like CS + are often associated with anxiety. However, the threat judgments process and how this process manifests itself differently in subgroups with different generalisation rule applications, is unclear. This study examines whether anxiety biases the threat decision process in fear generalisation paradigm and whether subgroups characterised by different generalisation gradients was interpreted differently by drift-diffusion model. We gathered behavioural data through a binary fear generalisation judgment task and clustered participants based on their responses. Reaction time distributions and individual scale scores were analyzed using the hierarchical drift-diffusion model. The model results suggested that similarity and state anxiety facilitated evidence-gathering processes that favoured "threat" judgments, but at the same time, state anxiety weakened the effect of stimulus similarity as evidence. Further cluster analyses revealed that this effect of anxiety on threat judgments only held true for specific subgroups of participants. This pioneering computational modelling effort in fear generalisation underscores the significant role of strategy preference and its complex interaction with anxiety in shaping stimulus processing.