Exploring Unique Patterns of Self‐Injury Recovery: A Latent Profile Analysis
Notice bibliographique
Résumé
BACKGROUND: As nonsuicidal self-injury (NSSI) has become an increasing public health concern, the last few years have seen the emergence of efforts to address NSSI recovery. Although many recovery efforts adopt a medical view of self-injury and focus on cessation of the behaviour, recovery can mean many different things to different people. In this study, we provide initial empirical validation of the self-injury recovery framework, by assessing whether different recovery profiles exist. METHODS: Our sample comprised 733 participants with lived experience of NSSI (M age = 24.54, sd = 6.39). Participants completed self-report measures of constructs related to NSSI recovery and NSSI characteristics. RESULTS: Using latent profile analysis, we identified six unique profiles reflecting differences in thoughts/urges to self-injure, self-efficacy, social support, optimism, coping, underlying adversities, perceptions of scarring, disclosure, resilience and self-compassion. Multivariate analyses of variance confirmed these profiles differed according to NSSI characteristics such as frequency of NSSI, a self-assessment of recovery, the desire to self-injure or avoid self-injury and the number of people disclosed to. LIMITATIONS: A homogenous sample and cross-sectional design limit generalisability of our findings across populations and across time. CONCLUSIONS: Our findings reinforce that recovery can take many different forms, with different factors being relevant to different individuals. Adopting a person-centred approach that centres an individual's lived experience and emphasises what is important to them in the recovery process offers opportunities for more empathic responses to self-injury and better outcomes for individuals who self-injure.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».