The four-factor personality model and its qualitative correlates among opioid agonist therapy clients
Notice bibliographique
Résumé
Background: The Four Factor Personality Vulnerability model identifies four specific personality traits (e.g., sensation seeking [SS], impulsivity [IMP], anxiety sensitivity [AS], and hopelessness [HOP]) as implicated in substance use behaviors, motives for substance use, and co-occurring psychiatric conditions. Although the relationship between these traits and polysubstance use in opioid agonist therapy (OAT) clients has been investigated quantitatively, no study has examined the qualitative expression of each trait using clients' voice. Method: Nineteen Methadone Maintenance Therapy (MMT) clients (68.4% male, 84.2% white, mean age[SD] = 42.71 [10.18]) scoring high on one of the four personality traits measured by the Substance Use Risk Profile Scale [SURPS] completed a semi-structured qualitative interview designed to explore their lived experience of their respective trait. Thematic analysis was used to derive themes, which were further quantified using content analysis. Results: Themes emerging from interviews reflected (1) internalizing and externalizing symptoms, (2) adversity experiences, and (3) polysubstance use. Internalizing symptoms subthemes included symptoms of anxiety, fear, stress, depression, and avoidance coping. Externalizing subthemes included anger, disinhibited cognitions, and anti-social and risk-taking behaviors. Adverse experiences subthemes included poor health, poverty, homelessness, unemployment, trauma, and conflict. Finally, polysubstance use subthemes include substance types, methods of use, and motives. Differences emerged between personality profiles in the relative endorsement of various subthemes, including those pertaining to polysubstance use, that were largely as theoretically expected. Conclusion: Personality is associated with unique cognitive, affective, and behavioral lived experiences, suggesting that personality may be a novel intervention target in adjunctive psychosocial treatment for those undergoing OAT.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».