Emotion profiles in Dialectical Behaviour Therapy: Early Observations Anticipate Treatment Outcome
Notice bibliographique
Résumé
Borderline Personality Disorder (BPD) can have various clinical presentations and is also difficult to treat. Researchers have investigated whether subtypes of BPD could explain variability in clinical presentations and outcomes after treatment. Previous research has identified subtypes of BPD based on temperament, which explain some variation in symptoms and outcomes. However, subtypes have typically been created using extensive self-report or structured-interview data. Instead, creating identifiable emotion profiles based on observational data could have a wider range of clinical and research applications, while helping to explain heterogeneity in BPD presentations and outcomes. This thesis is designed to look at emotion profiles in clients with BPD undergoing Dialectical Behaviour Therapy (DBT). Session video recordings were coded and analyzed for 54 clients with BPD, treated in a 12-month randomized controlled trial of DBT at Toronto’s Center for Addiction and Mental Health. Thus, a secondary data set was generated based on clients’ within-session expression of various emotional states, as defined by the coding of affective meaning states (CAMS). This observational measure has been used to analyze within-session therapy processes and to predict outcome data for a wide range of disorders and therapeutic modalities. Across a range of emotion codes, three unique profiles were found using cluster analysis: a Distressed profile, an Ashamed profile, and an Angry/Flexible profile. Additionally, these early observations of emotion profiles were associated with differential treatment outcomes between groups at 6- and 12-months. Most critically, the group with a primarily Ashamed profile showed a lack of reduction in their rates of self-harm at the end of treatment when compared to the other two groups. The main implication of the present study is that early observations of within-session emotion can be prognostic indicators for assessment and treatment planning in DBT.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».