Are You Going to Delete Me? Latent Profiles of Post-Relationship Breakup Social Media Use and Emotional Distress
Notice bibliographique
Résumé
When a relationship ends, former partners must make decisions about their online, often public, connections and history, which involve a complex disentangling process. We examined post-breakup behaviors including monitoring, interacting, deleting posts/photos, deleting the former partner, deleting the partner's family/friends, stopping social media (SM) use, and keeping digital possessions. Participants (N = 256) who had experienced a breakup within the last year completed an online survey. Approximately 38 percent reported experiencing distress over the breakup sometimes or more often. Utilizing latent profile analysis, we identified four latent classes (or profiles) of breakup SM behaviors; we also examined associations between the class and breakup emotional distress. Most participants were clean breakers (61.3 percent), who did zero to very little monitoring, interacting, or deleting and were unlikely to delete their ex-partner, stop use, or keep digital possessions. Wistful reminiscers (12.9 percent) were similar to clean breakers in terms of engaging in very little of any deleting behaviors, stopping use, or keeping digital possessions; however, they engaged in frequent amounts of monitoring their ex-partner as well as interacting with their ex-partner and their ex-partner's family/friends. Ritual cleansers (15.6 percent) were similar to clean breakers in terms of engaging in very little to no monitoring and interacting; however, they engaged in deleting their SM history, their ex-partner's family/friends, and their ex-partner. Impulsives (10.2 percent) engaged in high amounts of all the SM behaviors. In terms of emotional distress, impulsives showed the highest levels of distress, followed by wistful reminiscers, ritual cleansers, and then clean breakers.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».