Exploration of the dialogue components in <scp>A</scp>vatar <scp>T</scp>herapy for schizophrenia patients with refractory auditory hallucinations: <scp>A</scp> content analysis
Notice bibliographique
Résumé
Auditory verbal hallucinations are hallmark symptoms of schizophrenia and are amongst the most disturbing symptoms of the disorder. Although not entirely understood, the relationship between the voice hearer and their voices has been shown to be an important treatment target. Understanding voice hearers' standpoints through qualitative analysis is central to apprehend a deeper comprehension of their experience and further explore the relevance of interpersonal interventions. Compared with other dialogical intervention, virtual reality-assisted therapy (Avatar Therapy) enables patients to be in a tangible relation with a representation of their persecutory voice. This novel therapy has shown favourable results, though the therapeutic processes remain equivocal. We consequently sought to begin by characterizing the main themes emerging during the therapy by exploring the hearer's discussion with their avatar. The therapy sessions of 12 of our referrals were transcribed, and the patients' responses were analysed using content analysis methods. Five themes emerged from data saturation: emotional responses to the voices, beliefs about voices and schizophrenia, self-perceptions, coping mechanisms, and aspirations. All patients had at least one element within each of these themes. Our analyses also enabled us to identify changes that were either verbalized by the patients or noted by the raters throughout therapy sessions. These findings are relevant as they allowed to identify key themes that are hypothesized to be related to therapeutic targets in a novel relational therapy using virtual reality. Future studies to further explore the processes implicated within Avatar Therapy are necessary.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».