Factors Influencing Post-Traumatic Growth in Emerging Adults with Chronic Medical Illness
Notice bibliographique
Résumé
According to the Chronic Disease Prevention Alliance of Canada (2017), approximately 60% of Canadian adults suffer from a chronic medical condition. Managing a chronic medical illness provides an opportunity for post-traumatic growth (PTG). PTG is the positive psychological change that develops because of experiencing a trauma or highly stressful event. The current study evaluated a collection of biopsychosocial factors as potential predictors of PTG. Specifically, we hypothesized that physical pain, perceived social support, coping, pain self-efficacy, pain acceptance, and resilience would produce a model that significantly predicts PTG. Both quantitative and qualitative data from undergraduate students aged 18 to 25 was obtained to gain a comprehensive understanding of the factors that contribute to PTG and how those factors interact with the management of chronic illnesses. Five linear regression analyses were conducted, one for each predictor variable, with resilience as a mediator for PTG. Resilience significantly mediated the relationships between social support, pain intensity, and pain self-efficacy and PTG. Adaptive coping directly affected PTG whereas pain acceptance did not predict PTG in this sample. Furthermore, thematic analysis (Braun & Clark, 2021) was used to analyze the qualitative semi-structured interviews. Five themes were generated using thematic analysis from the qualitative data: 1) embracing the “silver-lining”, 2) integration of the condition, 3) things I wish I knew, 4) chronic illness changes social networks, and 5) the ripple effect. Future research needs a more advanced statistical approach (e.g., SEM) to evaluate how the various predictor variables may potentially interact, especially within different severity levels of chronic pain symptoms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».