Trajectories of nonsuicidal self‐injury during adolescence
Notice bibliographique
Résumé
OBJECTIVE: Although nonsuicidal self-injury is a public health concern, there is little information on how it changes across adolescence or what contributes to stability or change. We aimed to identify trajectories of stability and change in self-injury from ages 13 to 17 years, and to identify interpersonal and intrapersonal correlates that differentiate between trajectories of stability and change. METHOD: We used five annual waves of cohort-sequential data, targeting 7th and 8th graders attending all public schools in three municipalities in central Sweden. The data were gathered via questionnaires, using a multi-item measure of non-suicidal self-injury and assessing negative experiences at home, in school, with peers, and in romantic settings, as well as intrapersonal issues (internalizing symptoms and difficulties with emotional, and behavioral regulation). The analytic sample was 3195 adolescents (51.7% boys, 48.3% girls; ages 12-16 years at T1, M = 13.61; SD = 0.66), most of whom were born in Sweden (88.6%) to at least one parent of Swedish origin (77.4%). RESULTS: Latent growth curve modeling revealed three self-injury trajectories: a stable-low, a low-increasing, and an increasing-decreasing trajectory. Adolescents in the stable-low class reported the best overall adjustment at ages 13 and 16. Comparatively, adolescents in the other two classes reported similar levels of difficulty interpersonally and intrapersonally. Where they differed, the increase-decrease class fared worse than the low-increasing class. CONCLUSIONS: This study suggests the need to frame self-injury as having multiple directions of development during adolescence and develop theory that aligns with differential patterns of self-injury development.
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) | 0,000 | 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 | 0,001 | 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 ».