Emotion cascade: Harnessing emotional sequences to enhance chair work interventions and reduce self-criticism
Notice bibliographique
Résumé
OBJECTIVE: This study examines if experiencing the sequence of primary maladaptive emotions followed by primary adaptive emotions in-session predicts therapeutic change and whether this sequence mediates the impact of therapist emotional reflections on outcomes at post-treatment and follow-up. METHOD: Nineteen participants with high self-criticism underwent 10-12 sessions of emotion-focused therapy (EFT). Therapist responses focusing on emotions, thoughts, and actions were coded for two sessions (sessions 6-12) during the initial 10 minutes prior to chair work. Clients' emotional states were coded using the Classification of Affective Meaning States (CAMS) during the subsequent chair work. Self-criticism and depression were measured at pre-treatment, post-treatment, and 3-month follow-up. RESULTS: Primary maladaptive emotions and the transformational sequence (primary maladaptive followed by adaptive emotion) predicted reductions in self-criticism at post-treatment, with the transformational sequence also predicting improvements at follow-up. The impact of therapist focus on emotions on depression and self-criticism at post-treatment and follow-up was mediated by the transformational sequence. CONCLUSION: The transformational sequence predicts therapeutic outcomes and mediates the impact of therapist responses focused on the client's emotion and therapeutic results. Implications for therapist training are discussed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».