Nonsuicidal Self-Injury and Suicidal Behavior: A Latent Class Analysis among Young Adults
Notice bibliographique
Résumé
Although there is a general consensus among researchers that engagement in nonsuicidal self-injury (NSSI) is associated with increased risk for suicidal behavior, little attention has been given to whether suicidal risk varies among individuals engaging in NSSI. To identify individuals with a history of NSSI who are most at risk for suicidal behavior, we examined individual variability in both NSSI and suicidal behavior among a sample of young adults with a history of NSSI (N = 439, Mage = 19.1). Participants completed self-report measures assessing NSSI, suicidal behavior, and psychosocial adjustment (e.g., depressive symptoms, daily hassles). We conducted a latent class analysis using several characteristics of NSSI and suicidal behaviors as class indicators. Three subgroups of individuals were identified: 1) an infrequent NSSI/not high risk for suicidal behavior group, 2) a frequent NSSI/not high risk for suicidal behavior group, and 3) a frequent NSSI/high risk for suicidal behavior group. Follow-up analyses indicated that individuals in the 'frequent NSSI/high risk for suicidal behavior' group met the clinical-cut off score for high suicidal risk and reported significantly greater levels of suicidal ideation, attempts, and risk for future suicidal behavior as compared to the other two classes. Thus, this study is the first to identity variability in suicidal risk among individuals engaging in frequent and multiple methods of NSSI. Class 3 was also differentiated by higher levels of psychosocial impairment relative to the other two classes, as well as a comparison group of non-injuring young adults. Results underscore the importance of assessing individual differences in NSSI characteristics, as well as psychosocial impairment, when assessing risk for suicidal behavior.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 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 ».