Multiple maltreatment, attribution of blame, and adjustment among adolescents
Notice bibliographique
Résumé
The study examined the predictive utility of blame attributions for maltreatment. Integrating theory and research on blame attribution, it was predicted that self-blame would mediate or moderate internalizing problems, whereas other-blame would mediate or moderate externalizing problems. Mediator and moderator models were tested separately. Adolescents (N = 160, ages 11-17 years) were randomly selected from the open caseload of a child protection agency. Participants made global maltreatment severity ratings for each of physical abuse, psychological abuse, neglect. sexual abuse, and exposure to family violence. Participants also completed the Attribution for Maltreatment Interview (AFMI), a structured clinical interview that assessed self- and perpetrator blame for each type of maltreatment they experienced. The AFMI yielded five subscales: self-blaming cognition, self-blaming affect, self-excusing. perpetrator blame, and perpetrator excusing. Caretaker-reported (Child Behavior Checklist) and self-reported (Youth Self Report) internalizing and externalizing were the adjustment criteria. Controlling for maltreatment severity, the AFMI subscales explained significant variance in self-reported adjustment. Self-blaming affect was the most potent attribution, particularly among females. Attributions mediated maltreatment severity for self-reported adjustment but moderated it for caretaker-reported adjustment. The sophistication and relevance of blame attributions to adjustment are discussed, and implications for research and clinical practice are identified.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».