Capacity to Describe Inner Experiences Predicts Lower Pain-Related Mind-Wandering during a Smartphone-Based Mindfulness Task in People with Chronic Pain
Notice bibliographique
Résumé
Introduction/Aim: Pain-related mind-wandering (PRMW) may facilitate pain and disability in people with chronic pain. This study explored mindfulness skills that predict lower PRMW during mindfulness meditation (MM). Methods: 133 participants (AgeM = 20.5 years, SD = 3.74; Male = 45) were classified into groups: 1-Chronic pain (CP; n = 35) based on self-reported CP diagnoses, 2-Depressive-anxious (DA; n = 67) based on severe symptoms on the Center for Epidemiological Studies-Depression subscale (≥21) or Beck Anxiety Inventory (≥36), or 3-Controls (n = 31) if neither CP nor DA criteria applied. Participants completed the Five Facet Mindfulness Questionnaire (FFMQ) assessing mindfulness skills: observing experiences, describing internal experiences (Describe), acting with awareness, non-judgement and non-reactivity. Participants practiced breath-focused MM on a smartphone (~12-minutes) and pressed “breath” or “other” buttons at the sound of tones if awareness was on breathing or another experience, respectively. The Mind-Wandering Inventory was completed post-MM using 3 items: awareness of bodily pain, thoughts about pain, and other unpleasant sensations. Pearson correlations were conducted between FFMQ and PRMW. Results: Amongst all correlations, only Describe significantly predicted PRMW for CP (r = −0.46, p < 0.01), DA (r = 0.25, p < 0.05), and controls (r = 0.37, p < 0.05). CP participants had significantly higher % breath responses than the other groups. Discussion/Conclusions: The mindfulness skill of describing inner experiences may be a vital component of mindfulness-based pain treatments.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».