Direct and indirect effects of mindfulness, PTSD, and depression on self-stigma of mental illness in OEF/OIF veterans.
Notice bibliographique
Résumé
OBJECTIVE: Two of the most common and costly mental health diagnoses among military veterans who served in the post-9/11 conflicts in Afghanistan and Iraq are posttraumatic stress disorder (PTSD) and depression, but over half of veterans who screen positive for these problems do not seek treatment. A key barrier is self-stigma of mental illness. Mindfulness has shown promise as an explanatory variable in the context of mental health symptoms and self-stigma, but these associations are underexplored in the veterans' literature. This study examines direct and indirect effects among mindfulness, PTSD and depression, and self-stigma in post-9/11-era military veterans. METHOD: A sample of 577 veterans from 3 large American cities completed surveys capturing mindfulness, symptoms of PTSD and depression, and self-stigma. A structural equation modeling approach was used to examine direct and indirect effects among study variables. RESULTS: Mindfulness was associated with less PTSD and depression and indirectly with less self-stigma through the PTSD pathway. PTSD was associated with more depression and self-stigma, and depression was not significantly associated with self-stigma. CONCLUSION: PTSD is strongly associated with self-stigma in military veterans, many of whom do not seek mental health treatment. Findings show that mindfulness is a promising intervention target for reducing symptoms of PTSD directly and reducing associated self-stigma of mental illness indirectly. Additional investigation of links between mindfulness, PTSD and depressive symptoms, and self-stigma in military veterans is warranted. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».