It takes two to co-ruminate: Examining co-rumination as a dyadic and dynamic system.
Notice bibliographique
Résumé
Co-rumination-defined as when individuals perseverate on problems with each other, focus excessively on negative feelings, and cyclically discuss the causes and consequences of problems-is often examined from the perspective of the person seeking support or by assigning one rating of co-rumination to a dyad. This approach muddles how each person contributes to the "co" of co-rumination and may have implications for understanding prior work that has shown associations between co-rumination and intrapersonal and interpersonal well-being. We leveraged state space grids to examine co-rumination as a dyadic and dynamic system, as constituted by the temporal unfolding of each dyad member's self-rated social rumination throughout their discussion. From 2019 to 2020, 85 primarily White and female college-aged close friend dyads engaged in a support discussion. After, friends viewed their recorded discussion and rated their individual contributions to the co-rumination process (i.e., social rumination) every 30 s across the 8 min conversation. Results revealed that the more both dyad members got "stuck" engaging in mutually high social rumination (i.e., co-rumination), the more they perceived each other as responsive, viewed the problem as more solved, and disclosers viewed responders as more supportive. In contrast, when only the person disclosing the problem was stuck in high levels of social rumination, only disclosers rated the problem as more solved, indicating fewer overall benefits. Examining co-rumination dyadically and dynamically can reveal when and for whom co-rumination processes are associated with costs and benefits. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; 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 ».