From theory to research: Interpretational guidelines, statistical guidance, and a shiny app for the model of excellencism and perfectionism
Notice bibliographique
Résumé
After decades of research and debates about whether perfectionism is healthy or unhealthy, the Model of Excellencism and Perfectionism (MEP) recently differentiated between people striving for high standards (excellence strivers) and those pursuing perfectionistic standards (perfection strivers). In this study, we devised and tested an interpretational framework of nine scenarios to help determine whether perfectionism is beneficial, unneeded, or harmful by comparing the outcomes of excellence and perfection strivers. In a cross-sectional study with university students ( N = 271; Study 1), we found that perfection strivers savor positive school events less and have greater dropout intentions than excellence strivers. In a prospective/longitudinal design with college-aged athletes ( N = 296; Study 2), perfectionism was associated with higher athletic achievement. However, perfection strivers who failed to attain their goals experienced lower savoring and enjoyment than excellence strivers. Our findings highlighted the value of our interpretational scenarios as a hub to facilitate the comparison of MEP findings, while showing how to test MEP hypotheses with five popular statistical analyses. Furthermore, the MEP Shiny App is a valuable contribution to expedite the process of comparing the outcomes of excellence and perfection strivers. Overall, this research forged a substantive-methodological pathway that strengthens and enhances the practicality of the MEP.
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 | 0,684 | 0,841 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,005 |
| Méta-épidémiologie (sens large) | 0,008 | 0,005 |
| Bibliométrie | 0,018 | 0,012 |
| Études des sciences et des technologies | 0,008 | 0,061 |
| Communication savante | 0,022 | 0,019 |
| Science ouverte | 0,013 | 0,019 |
| Intégrité de la recherche | 0,013 | 0,041 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».