Mediators of change in online mindfulness-based cognitive therapy: A secondary analysis of a randomized trial of mindful mood balance.
Notice bibliographique
Résumé
OBJECTIVE: Digital delivery of mindfulness-based cognitive therapy through the Mindful Mood Balance (MMB) program is clinically effective (Segal et al., 2020); however, the mechanisms through which this program delivers its benefits have not been established. METHOD: This study investigates the differential impact of the MMB program paired with usual depression care (UDC) compared to UDC alone on the putative targets of self-reported mindfulness, decentering, and rumination and the extent to which change in these targets mediates subsequent depressive relapse among a sample of predominantly White, female participants, with residual depressive symptoms. RESULTS: The MMB program relative to UDC was associated with a significantly greater rate of change in decentering (t = 4.94, p < .0001, d = 0.46), mindfulness (t = 6.04, p < .0001, d = 0.56), and rumination (t = 3.82, p < .0001, d = 0.36). Subsequent depressive relapse also was mediated by prior change in these putative targets, with a significant natural indirect effect for decentering, χ2(1) = 7.25, p < .008, OR = 0.57; mindfulness, χ2(1) = 9.99, p < .002, OR = 0.50; and rumination, χ2(1) = 12.95, p < .001, OR = 0.35. CONCLUSIONS: These findings suggest the mechanisms of MMB are consistent with the conceptual model for mindfulness-based cognitive therapy and depressive relapse risk and that such processes can be modified through digital delivery. (PsycInfo Database Record (c) 2023 APA, all rights reserved).
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».