Reduction in Anger in Participants with Chronic Pain after a Mobile-Based Mindfulness Intervention
Notice bibliographique
Résumé
Introduction/Aim: To evaluate the effects of a novel 12-minute mobile-based mindfulness intervention on anger in participants with chronic pain, depression/anxiety and condition-free controls. Methods: Four groups of university students: n = 42 with chronic pain (CP+app), n = 39 with symptoms of depression/anxiety (DA+app), and 2 groups of condition-free controls (CF+app; n = 54 and CF-app; n = 26) completed the Anger subscale of the Profile of Mood States at baseline (pre) and after (post) a 12-min intervention, during which participants were instructed to pay attention to the flow of breath and press “breath” or “other” buttons on a smartphone at the sound of a tone. The CF-app group attended to their breath for 12 minutes without use of the smartphone app. Results: We used a 2-way ANOVA with Time (baseline, post-intervention) and Group (CP+app, DA+app, CF+app, CF-app) to evaluate Anger scores. The simple main effect of Group was significant at baseline, F(3,152) = 14.83, p < .001, ηp2 = .22, and post-intervention, F(3,152) = 9.57, p < .001, ηp2 = .15. At baseline, the CP+app and DA+app did not differ in Anger scores, which were significantly higher than CF+app and CF-app (p < .05). Post-intervention, anger levels for CP+app dropped to meet those of both CF+app and CF-app, while DA+app remained significantly higher than the rest (p < .05). Simple main effects of Time were significant for CP+app, F(1,152) = 27.90, p < .001, ηp2 = .15 and DA+app, F(1,152) = 15.06, p < .001, ηp2 = .09, but not for CF+pp or CF-app. Discussion/Conclusions: Research has shown that anger can lead to increased pain sensitivity and intensity; therefore regulating anger using mindfulness may be a desirable goal as part of CP treatment.
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 | 0,000 |
| 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) | 0,003 | 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 ».