Personalising Practice Using Preferences for Meditation Anchor Modality
Notice bibliographique
Résumé
Many people are starting to establish contemplative practices and Mindfulness-Based Interventions have become quite popular. While Mindfulness-Based Interventions positively impact well-being, drop-out and lack of practice-maintenance plagues these interventions. Such adherence issues may reveal a lack of fit between participant partiality for attentional anchors of meditative practice and the intervention's use of the breath as the anchor of attention. No study had yet compared partiality toward practices using anchors from different sensory modalities (e.g. auditory, visual) thus the present study examined such individual differences, sharing resources on the Open Science Framework (osf.io/hcnz2/). Participants (N=82) engaged 10-min practices within three modalities (somatosensory, auditory, visual) and partiality toward these meditations was modelled. Partiality differences did exist: 49% preferred the breath, 30% the auditory-phrase, and 21% the visual-image. Pre-practice motivation and anchor-modality predicted partiality while cardiac responses were also positively associated with partiality. Preferences were updated through experience and over half of participants left the experiment partial to a different anchor than their initial meditation-naïve bias. Tangible next-steps are discussed, including integrating additional anchor modalities into existing interventions by offering brief practices with a variety of anchors. Suggestions are made for increasing post-training contact using email-automation to answer central practice-maintenance questions, including whether and which contemplative benefits are predicated on continued practice.
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) | 0,000 | 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) | 0,002 | 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 ».