The influence of a learning to forgive programme on negative affect among mentally disordered offenders
Notice bibliographique
Résumé
BACKGROUND: Clinical trials and meta-analyses provide some evidence for effectiveness of forgiveness therapy delivered individually or in groups. To date, however, forgiveness therapy has not been evaluated with mentally disordered offenders. Given the high prevalence of experienced and perpetrated trauma among such people, this population may particularly benefit from such an intervention. AIM: The aim of this study is to test the feasibility and impact of a 'learn to forgive' group programme among mentally disordered offenders on a specialist secure hospital setting. METHODS: We conducted a non-randomised trial with 36 offenders with mental disorders and 29 comparison patients. The intervention group engaged in a six-week manual-based 'learn to forgive' treatment programme, while the comparison group watched a 90-minute video on forgiveness. Both groups completed measures of anger, depression, stress, forgiveness and satisfaction with life at baseline and then 6 and 18 weeks later. A repeated measures mixed-effects model was used to investigate the association between affective outcomes and type of intervention received, after adjusting for baseline characteristics. RESULTS: The group completion rate was over 90%. The treatment and comparison groups were similar on baseline demographic and criminological measures, but the treatment group had higher baseline anger and depression scores. While both groups showed improved capacity to forgive and reduced negative affect over time, those in the 'learn to forgive' programme showed significantly more improvement in forgiveness and on anger measures. CONCLUSIONS AND IMPLICATIONS FOR PRACTICE: Forgiveness training can be delivered effectively to offenders with mental disorders in clinical settings. Its range of benefits, including reduction I in anger as well as improved capacity to forgive, suggest that it may have longer term implications for personal safety and reintegration into mainstream societal settings. Copyright © 2016 John Wiley & Sons, Ltd.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».