How does forgiveness work to improve mental health
Notice bibliographique
Résumé
Many people are consumed with anger, depression, and/or anxiety as a result of harboring feelings of resentment towards an individual who has offended them. Refusing to forgive holds deleterious mental health consequences for the victim; however, forgiveness yields reductions in anger, depression, and anxiety. But, little is known regarding how forgiveness works to improve mental health. Rumination, repetitive and intrusive thoughts about the offense or emotions elicited by the offense, may exacerbate and maintain the negative emotions educed by the offense. Consequently, this study evaluated rumination as a mediator between forgiveness and mental health, hypothesizing that forgiveness works to improve mental health through first eliminating rumination. The results of this study support the conclusion that one mechanism through which forgiveness works to improve mental health is through first reducing rumination. Specifically, interpersonal rumination, ruminating on future interpersonal failure, was found to mediate the relationship between forgiveness and anger, depression, and anxiety. However, forgiveness was also found to hold a direct effect on mental health. Forgiveness predicts decreases in anger, depression, and anxiety over and above the effect of interpersonal rumination.Dept. of Psychology. Paper copy at Leddy Library: Theses & Major Papers - Basement, West Bldg. / Call Number: Thesis2005 .S39. Source: Masters Abstracts International, Volume: 44-03, page: 1517. Thesis (M.A.)--University of Windsor (Canada), 2005.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».