Does Feeling Bad, Lead to Feeling Good? Arousal Patterns during Expressive Writing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Different psychotherapy theories describe process patterns of emotional arousal in contradictory ways. To control both treatment and therapist responsivity, this study sought to test dynamic patterns in the arousal of negative affect using a controlled experimental study of expressive writing. There were 261 participants (78% women; M = 21 years old; 56% White) who suffered unresolved traumas who were randomly assigned to an expressive writing task and asked to write about their deepest thoughts and feelings, or to a writing control. Participants wrote for 15 min on three consecutive days, completing the Positive Affect and Negative Affect Scale before and after each visit. Data across 6 time points were subjected to hierarchical linear modeling (HLM) and pattern analyses. Session-by-session (24 hr periods), the expressive writing group showed an overall linear decrease in negative affect (β = −2.273, p < .001). However, in pre- to post-session ratings (15 min periods), the expressive writing group also demonstrated increases in negative affect (β = 6.467, p < .001). Neither of these patterns were observed in the control group. Pattern analysis demonstrated 69.8% of cases in the expressive writing group perfectly or almost perfectly followed a predicted zig-zag pattern ( p < .01). No control cases showed this pattern. Findings demonstrate how the habituation/inhibition hypothesis (“it gets easier as one gets over it”) and the meaning-making hypothesis (“it gets worse before it gets better”) can both be supported, each at different scopes of analysis. Implications clarify the role of emotional arousal in change.
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.
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 découle