Notice bibliographique
Résumé
OBJECTIVE: To assess the associations between staff feelings toward patients and the patients' diagnoses, in view of the fact that clinical reports of such associations have not been corroborated by systematic research. METHOD: At 24 psychiatric units, 143 patients were assessed according to their personality organization, and staff feelings toward these patients were followed for 5 years. The feelings were reported on a feeling checklist twice yearly, and outcome was assessed as the effect size at year 5, using ratings on Kernberg's structural model complemented with ratings on Strauss-Carpenter's function scale. RESULTS: The study showed that it was possible, using discriminant analyses, to separate diagnostic groups by the different feelings that they evoked in the staff. Patients with borderline personality organization (BPO) evoked fewer relaxed and more aggressive feelings, in contrast to patients with psychotic personality organization (PPO). In contrast to patients with neurotic personality organization (NPO), who evoked feelings of sympathy and helpfulness, PPO patients evoked more feelings of insufficiency and disappointment. A stepwise discriminant analysis of reactions to patients with positive treatment outcome separated the 3 personality organizations with 2 functions using only 2 feelings, "relaxed" and "objective." The feeling relaxed separated the NPO patients from the BPO patients, and the feeling objective separated the PPO patients from the other groups. The patients' diagnoses accounted for larger proportions of variance in feelings for the patients with positive outcome. CONCLUSION: The results implied that the patients' different personality organizations evoked different staff feelings in this treatment context and that positive treatment outcome was associated with more pronounced and clear-cut staff reactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».