Predicting the Severity of Symptoms of the COVID Stress Syndrome From Personality Traits: A Prospective Network Analysis
Notice bibliographique
Résumé
Psychological stress reactions to the COVID-19 pandemic are complex and multifaceted. Research provides evidence of a COVID Stress Syndrome (CSS), consisting of (1) worry about the dangerousness of getting infected with SARSCoV2 and coming into contact with infected surfaces, (2) worry concerning the personal socioeconomic consequences of COVID-19, (3) xenophobic fears that SARSCOV2 is being spread by foreigners, (4) COVID-19-related traumatic stress symptoms (e.g., nightmares), and (5) compulsive checking and reassurance-seeking about COVID-19. Little is known about how these symptoms are related to vulnerability and protective personality factors. Based on data from 1,976 US and Canadian adults, we conducted a prospective network analysis in which personality factors were initially assessed at Time 1 and then symptoms of the CSS were assessed at Time 2, 2.5 months later. Results indicated that trait optimism and trait resilience were negatively associated with negative emotionality, suggesting a modulatory (inhibitory) influence. Negative emotionality was positively linked to the narrower traits of intolerance of uncertainty and health anxiety proneness. These narrower traits, in turn, were prospectively linked to symptoms of the CSS. Results suggest that the effects of broad personality traits (e.g., negative emotionality, trait resilience) on symptoms of the CSS were mediated by narrower traits such as the intolerance of uncertainty. Treatment implications are discussed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».