"I'm at risk for heart disease? " self-compassion and reactions to a health threat
Notice bibliographique
Résumé
Self-compassion (SC), treating oneself kindly in the face of setbacks, can decrease negative emotions and promote health behaviours. SC may mitigate negative emotions about being at-risk for cardiovascular disease (CVD) and may promote adaptive health behaviour self-regulation. No research has examined SC in the context of CVD. We examined SC's relationship with responses to CVD risk. Participants were 102 women (Mage = 66.50, SD = 6.04), with a CVD risk score (Rassmussen criteria) of 3 or higher. Participants met with a research assistant on three occasions. First, baseline levels of physical activity (PA) were measured. Second, participants' level of SC, health-promoting lifestyle habits, illness self-blame and immediate reactions to news of being moderate to high risk of CVD were measured (negative affect). One week later, PA, negative affect and health behaviours were measured. Semi-partial correlations, controlling for self-esteem, revealed baseline SC was correlated to self-report PA (r = .24, p = .01), nutrition (r = .28, p = .02), stress management (r = .37, p < .00), and health responsibility (r = .31, p = .001) and negatively related to illness self-blame (r = -.35, p < .001). Immediately after receiving risk information, SC was inversely related to negative affect (r = -.23, p = .01) controlling for self-esteem. SC predicted unique variance, over self-esteem, with seeking health information (B = -.87, r2 = .08, p = .05) over the following week. SC may assist with adaptive reactions and self-regulation after learning one is at-risk for CVD.Acknowledgments: University of Manitoba Graduate Fellowship
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».