Risk-Taking, Cognitive Distortions, and Their Influence on Proactive Coping in Higher Education
Notice bibliographique
Résumé
The objective of this study was to investigate the relationships between proactive coping, risk-taking, and cognitive distortions among university students. Specifically, it aimed to determine how risk-taking behaviors and cognitive distortions predict proactive coping strategies. A cross-sectional design was employed with a sample of 265 university students. Participants completed self-report measures, including the Proactive Coping Inventory (PCI), Domain-Specific Risk-Taking (DOSPERT) Scale, and the Cognitive Distortion Scale (CDS). Data were analyzed using Pearson correlation and multiple regression analyses to explore the relationships between the variables. Assumptions for normality, linearity, and homoscedasticity were checked and confirmed prior to analysis. Descriptive statistics indicated moderate levels of proactive coping and cognitive distortions, and relatively high levels of risk-taking among participants. Pearson correlation analysis revealed that proactive coping was positively correlated with risk-taking (r = 0.56, p < .001) and negatively correlated with cognitive distortions (r = -0.42, p < .001). Multiple regression analysis showed that risk-taking (B = 0.52, p < .001) and cognitive distortions (B = -0.37, p < .001) were significant predictors of proactive coping, explaining 45% of the variance (R² = 0.45, p < .001). The findings suggest that both risk-taking and cognitive distortions play significant roles in shaping proactive coping strategies among university students. Risk-taking positively influences proactive coping, while cognitive distortions have a detrimental effect. These insights can inform the development of targeted interventions aimed at enhancing proactive coping skills by promoting adaptive risk-taking and addressing cognitive distortions.
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 | 0,000 | 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 | 0,000 |
| 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) | 0,000 | 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 ».