MétaCan
Menu
Retour à la cohorte
Enregistrement W3121268020 · doi:10.31234/osf.io/6zs5g

Mindfulness and Legal Practice: A Preliminary Study of the Effects of Mindfulness Meditation and Stress Reduction in Lawyers

2017· preprint· en· W3121268020 sur OpenAlexaff
John Paul Minda, Jeena Cho, Emily Nielsen, Mengxiao Zhang

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomainePsychology
ThématiqueWorkaholism, burnout, and well-being
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésMindfulnessMeditationAnxietyPsychologyMoodMindfulness meditationPsychotherapistStress reductionClinical psychologyPsychological resiliencePsychiatry

Résumé

récupéré en direct d'OpenAlex

Research has shown that lawyers often experience symptoms of depression, anxiety, and stress in their lives. Mindfulness meditation may be an effective way to reduce the many negative effects associated with work stress. We asked a group of 46 lawyers to participate in an eight week mindfulness meditation program that was designed for lawyers. The mindfulness program was based on The Anxious Lawyer by Cho and Gifford (2016) and guided audio meditations were made available online. Participants were assessed before beginning the program and again when the program was completed. The results indicated that the mindfulness meditation program significantly reduced self-described depression, anxiety, stress, and negative mood. The meditation program also increased positive mood and psychological resilience. As well, participants in the program viewed themselves as being more effective at their work. Despite the strong effects observed in this study, we argue that much more research is needed to understand these benefits.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,587
Score d'incertitude au seuil0,931

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,320
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWorkaholism, burnout, and well-beingTravaux en français237 207