Alexithymia and negative emotions among nursing students: a moderated mediation model
Notice bibliographique
Résumé
Nursing students, who comprise a high percentage of China's college students, experience many psychological problems; however, few studies explored the mechanisms underlying these problems. This cross-sectional study explored the relationships and mechanisms of depression, anxiety, stress, and narrative disorders in senior nursing students. Questionnaires were administered to 380 senior nursing students in Hubei Province using the Sociodemographic Questionnaire, Toronto Alexithymia-20 Scale, Perceived Social Support Scale, 10-Item Connor-Davidson Resilience Scale, and Depression-Anxiety-Stress Scale. After controlling for sociodemographic variables, Hayes' PROCESS macros were used to test how psychological resilience moderates the relationships among narrative disorders, negative affect, and perceived social support. Bootstrap confidence intervals tested for indirect effects. Correlation analyses revealed that alexithymia was correlated significantly positively with depression-anxiety-stress (r = 0.57, 0.56, and 0.58, resp.) and significantly negatively with perceived social support (r = 0-0.46). Psychological resilience was correlated significantly negatively with alexithymia (r=-0.39) and depression-anxiety-stress (r=-0.31, -0.30, and-0.32, resp.) but significantly positively with perceived social support(r = 0.50). Perceived social support was correlated significantly negatively with depression-anxiety-stress (r=-0.33, -0.34, and - 0.42 resp.). Stress was correlated significantly positively with anxiety and depression (r = 0.81 and 0.77, resp.). Psychological resilience was a partial mediator between depression and dysphoria (β=-0.08, p < 0.05). Dysphoria directly predicted anxiety (β = 0.31) and stress (β = 0.37); moreover,alexithymia predicted depression not only directly but also through the mediating effect of psychological resilience. Therefore, educators and clinical administrators must promote and recognise negative emotions among nursing students to help ensure the nursing workforce's stability.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».