Examining the Effectiveness of Emotional Intelligence Training on Alexithymia Components in Students
Notice bibliographique
Résumé
Objective: Emotional intelligence is the most crucial factor in decision-making and the selection of future goals, as well as the substitution of goals in various situations and circumstances. The purpose of this article was to determine the effectiveness of emotional intelligence training on alexithymia components in students. Methods and Materials: This study was applied, quantitative, and of a quasi-experimental pre-test - post-test design with a control group and training. The population consisted of 30 students suffering from alexithymia, selected from 5 treatment centers, with 15 students allocated to the control group and 15 to the training group. The data collection tool in this research was the Toronto Alexithymia Scale (TAS-20), and Goleman's (1996) emotional intelligence training protocol was used for the experimental group. Data were analyzed using SPSS software and multivariate analysis of covariance method. Findings: The F-value in the univariate analysis of covariance for the subscale of identifying emotions (F=13.266, P=0.000), for the subscale of describing emotions (F=19.917, P=0.000), and for the subscale of external-oriented thinking (F=11.108, P=0.000) were significant. These findings indicate that there is a significant difference between the emotional intelligence training group and the control group in the dependent variables (alexithymia components). Conclusion: It can be concluded that the use of emotional intelligence training is beneficial for improving alexithymia in students with learning disabilities.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 ».