Empirically Derived Subgroups of Self‐Injurious Thoughts and Behavior: Application of Latent Class Analysis
Notice bibliographique
Résumé
Latent class analysis was applied to the sample data to identify homogenous subtypes or classes of self-injurious thoughts and behavior (SITB) based on indicators indexing suicide ideation, suicide gesture, suicide attempt, thoughts of nonsuicidal self-injury (NSSI), and NSSI behavior. Analyses were based on a sample of 1,809 healthy adults. Associations between the emergent latent classes and demographic, psychological, and clinical characteristics were assessed. Two clinically relevant subtypes were identified, in addition to a class who reported few SITBs, and were labeled as follows: low SITBs (25.8%), NSSI and ideation (25%), and suicidal behavior (29.2%). Several unique differences between the latent classes and external measures emerged. For instance, those belonging to the NSSI and ideation class compared with the suicidal behavior class reported lower levels of entrapment, burdensomeness, fearlessness about death, exposure to the attempted suicide or self-injury of family members and close friends, and higher levels of goal disengagement and acute agitation. SITBs are best explained by three homogenous subgroups that display quantitative and qualitative differences. Profiling the behavioral and cognitive components of suicidal and nonsuicidal self-injury is potentially useful as a first step in developing tailored intervention and treatment programs.
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 | 0,000 |
| 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) | 0,000 | 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 ».