The impact of emotion regulation therapy on emotion differentiation in psychologically distressed caregivers of cancer patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background and objectives Emotion differentiation is considered adaptive because differentiated emotional experiences are believed to promote access to the information that emotions carry, enabling context-appropriate emotion regulation. In the present study, secondary analyses from a recent randomized controlled trial (O’Toole et al., 2019) were conducted to investigate whether emotion differentiation can improve as a result of psychotherapy and whether improvements in emotion differentiation are associated with reduced distress.Design and methods A total of 81 distressed caregivers of cancer patients were randomized to Emotion Regulation Therapy (ERT), an intervention aimed at improving emotion differentiation and facilitating healthy emotion regulation, or a waitlist condition. Emotion differentiation scores could be calculated for 54 caregivers.Results Repeated measures ANOVAs revealed that ERT led to significant improvements in negative (η2 = 0.21, p = .012), but not positive emotion differentiation (η2 = <0.01, p = .973). Correlation analyses showed that improvements in negative emotion differentiation were not associated with changes in distress.Conclusions The results suggest that negative emotion differentiation can improve as a result of psychotherapy. Further research is needed to clarify how improvements in emotion differentiation following therapeutic interventions relate to treatment outcomes such as distress.Trial registration: ClinicalTrials.gov identifier: NCT02322905.
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.
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 | 0,000 | 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) | 0,000 | 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 découle