Maladaptive and Adaptive Perfectionism Impact Psychological Wellbeing Through Mediator Self-Efficacy Versus Resilience
Notice bibliographique
Résumé
The transition through university is often challenging and can negatively impact students’ mental health. Identifying protective factors and opportunities aimed at promoting students’ psychological wellbeing is therefore paramount. Maladaptive and adaptive perfectionism have been found to impact students’ psychological wellbeing. However, less is known about how sociocognitive factors such as self-efficacy and resilience impact this relationship. The current study investigated whether self-efficacy and resilience mediate the relationship between maladaptive perfectionism, adaptive perfectionism and psychological wellbeing, controlling for gender, study mode, study method and COVID-19 lockdowns. Australian university students (N = 193; 86.53% female) aged 18–66 (M = 27.80, SD = 10.45) studying full-time (68.39%) and online (72.02%) completed the Frost Multidimensional Perfectionism Scale, the General Self-Efficacy Scale, the Brief Resilience Scale and the Warwick-Edinburgh Mental Wellbeing Scale. The indirect effect of maladaptive perfectionism on psychological wellbeing through self-efficacy was significant (b = -0.09, SE = .03, 95% CI [-0.15, -0.04]). The indirect effect of adaptive perfectionism on psychological wellbeing through self-efficacy was also significant (b = 0.09, SE = .04, 95% CI [0.02, 0.18]). However, resilience did not indirectly impact the relationship between maladaptive perfectionism, adaptive perfectionism and psychological wellbeing. This study demonstrates the importance of building self-efficacy for maladaptive and adaptive perfectionist students and highlights an opportunity for universities to create self-efficacy-based programs to promote students’ psychological wellbeing.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».