Mapping Resilience: Structural Equation Modeling of Psychological Resilience in Multiple Sclerosis Care Partners
Notice bibliographique
Résumé
ABSTRACT BACKGROUND Care partners are essential supports to individuals with multiple sclerosis (MS). Both negative and positive outcomes associated with the caregiving role have been reported. Psychological resilience may be an important factor influencing the MS caregiving experience, but an MS-specific model of care partner resilience has yet to be established. This study sought to explore an explicit model of MS care partner resilience. METHODS Cross-sectional data from 471 Canadian MS care partners were collected via an online survey. Confirmatory factor analysis (CFA) and structural equation modeling (SEM) were used to test measures within a hypothesized model of resilience. Resilience was measured using the 25-item Connor-Davidson Resilience Scale. RESULTS Following CFA, the hypothesized model was simplified due to the poor fit of several variables. The final model yielded a moderate SEM fit (χ2 = 6030.95, P < .01). Being a woman was associated with greater caregiving tasks (β = 0.53, P < .001) and poorer spiritual health (β = –0.35, P < .001). Spiritual health, but not caregiving tasks, had a positive impact on both positive (β = 0.48, P < .01) and negative coping (β = 0.49, P = .01). Quality of life and resilience did not have relationships with other variables in the model. However, quality of life had a positive, unidirectional influence on resilience (β = 0.83, P < .01). CONCLUSIONS Our findings indicate that spiritual health is an important predictor of coping and should be further explored in MS care partners. Quality of life may act as a precursor to resilience within MS care partners. Further research and exploration into MS care partner resilience is warranted to confirm this exploratory model.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».