Measuring Subtypes of Emotion Regulation: From Broad Behavioural Skills to Idiosyncratic Meaning‐making
Notice bibliographique
Résumé
UNLABELLED: The current paper introduces the notion of clinically relevant subtypes of emotion regulation behaviours. A new measure of emotion regulation, the Complexity of Emotional Regulation Scale (CERS), was established as psychometrically sound. It was positively correlated with a measure of emotional awareness (r = 0.28, p < 0.001) and negatively correlated with measures of self-criticism (r = -0.28, p < 0.001) and depression (r = -0.35, p = 0.025), among others. Participants were drawn from two samples: clients from a university counselling centre and a non-clinical student sample. Comparisons were conducted between non-clinical and clinical samples to determine the effects of depression and other symptoms of psychopathology on participant's generation of strategies for emotion regulation. Participants in the clinical sample more often identified an intention to soothe but did not follow through as compared with the non-clinical group, F(1, 198) = 4.662, p < 0.04. Furthermore, individuals in the non-clinical sample were more likely to engage in specific, meaning-making strategies when compared with the clinical group, F(1, 198) = 5.875, p < 0.02. Implications from the current studies suggest the possible applicability of the CERS to clinical settings using an interview rather than questionnaire format. Copyright © 2015 John Wiley & Sons, Ltd. KEY PRACTITIONER MESSAGE: Emotion regulation should be thought of as being on a continuum of complexity, where strategies range from general ('one size fits all') action to specific ('personal and idiosyncratic') meaning. The best emotion regulation strategy depends on a client's presenting difficulty and level of distress.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».