Predicting Change in Emotional Distress from Language Characteristics of Group Psychodynamic Therapy for Perfectionism: An Empirical Case Study
Notice bibliographique
Résumé
Though psychodynamic group psychotherapy, like all therapy approaches, espouses the use of specific interventions and distinct mechanisms of change, in general, it is unclear the extent to which different therapy orientations actually differ in practice. The goal of this study was to use Linguistic Inquiry and Word Count (LIWC), a software for quantitative text analysis that counts words and calculates proportions of words from specific predefined categories, as a method for assessing in-session core characteristics of group psychodynamic psychotherapy for perfectionism. LIWC was used to assess the presence of the seven core characteristics found to be unique to individual psychodynamic psychotherapy in the group therapy context, and whether these core psychodynamic group characteristics, when assessed on the word level, predict week-to-week changes in group member-rated perfectionism-related emotional distress. Results suggest that group members' emotional distress increased in early sessions before decreasing in later sessions. Further, core psychodynamic in-session characteristics, including focusing on affect and emotions; identifying patterns in group members' actions, thoughts, feelings, experiences, and relationships; focusing on group members' interpersonal relationships; and focusing on group member-member or leader relationships, all predict less perfectionism-related emotional distress the following week.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».