Predicting the effectiveness of engagement and disengagement emotion regulation based on emotional reactivity in borderline personality disorder
Notice bibliographique
Résumé
Improving emotion regulation is central to borderline personality disorder (BPD) treatment, but little research indicates which emotion regulation strategies are optimally effective and when. Basic emotion science suggests that engagement emotion regulation strategies that process emotional content become less effective as emotional intensity increases, whereas disengagement strategies that disengage from it do not. This study examined whether emotional reactivity to emotional stimuli predicts the effectiveness of engagement and disengagement emotion regulation across self-report, general physiologic (heart rate), sympathetic (skin conductance responses), and parasympathetic (respiratory sinus arrythmia) emotion in BPD, healthy, and clinical control (i.e. generalized anxiety disorder; GAD) groups. 120 participants (40 per group) were exposed to emotion inductions and then instructed to implement engagement (mindful awareness) and disengagement (distraction) strategies while self-report and physiological emotion measurements were taken. In the BPD and GAD groups, higher heart rate or respiratory sinus arrythmia reactivity, respectively, predicted improved mindful awareness effectiveness. Higher skin conductance reactivity predicted worsened distraction effectiveness in BPD. Higher reactivity may potentiate engagement emotion regulation, and exacerbate disengagement from emotional content, in BPD. Future research should examine other domains of emotion regulation that may be influenced by emotional intensity, and other forms of emotional intensity that may influence them.
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 | 0,003 | 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) | 0,001 | 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 ».