Emotional Clarity and Stress Vulnerability as Predictors of Cognitive Failures
Notice bibliographique
Résumé
To investigate the relationships between emotional clarity, vulnerability to stress, and cognitive failures, and to determine the predictive value of emotional clarity and vulnerability to stress on cognitive failures. This cross-sectional study included 330 participants selected based on the Morgan and Krejcie table. Data were collected using the Cognitive Failures Questionnaire (CFQ), the Trait Meta-Mood Scale (TMMS) for emotional clarity, and the Perceived Stress Scale (PSS). Pearson correlation and linear regression analyses were conducted using SPSS version 27. Descriptive statistics indicated mean scores of 35.24 (SD = 9.87) for cognitive failures, 26.78 (SD = 7.65) for emotional clarity, and 29.43 (SD = 8.31) for vulnerability to stress. Pearson correlation analysis showed significant relationships between cognitive failures and emotional clarity (r = -0.45, p < 0.001) and vulnerability to stress (r = 0.53, p < 0.001). Regression analysis revealed that both emotional clarity (B = -0.48, SE = 0.09, β = -0.32, t = -5.31, p < 0.001) and vulnerability to stress (B = 0.67, SE = 0.08, β = 0.45, t = 8.37, p < 0.001) were significant predictors of cognitive failures, accounting for 38% of the variance (R² = 0.38, F(2, 327) = 99.65, p < 0.001). The study found that higher emotional clarity is associated with fewer cognitive failures, while higher vulnerability to stress is linked to increased cognitive failures. Both emotional clarity and vulnerability to stress significantly predict cognitive failures, highlighting their importance in cognitive performance. These findings suggest that interventions aimed at enhancing emotional clarity and managing stress could reduce cognitive failures.
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 | 0,004 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».