No Words For Feelings, No Adaptative Emotional Regulation Strategies ?
Notice bibliographique
Résumé
Alexithymia is a multi-faceted personality trait described by difficulties identifying (DIF), describing (DDF), and attending (EOT) to one's feelings. The underlying processes that may explain alexithymia's vulnerability to affective disorders are not systematically understood (Luminet & Nielson, 2024) but may involve emotional regulation (ER). Although we use a variety of ER strategies daily, only a minimal number of studies have explored other ER strategies in the context of alexithymia (Preece et al., 2023). The objective of our study was to investigate the relationship between alexithymia and ER strategies by adopting a facet-level dimensional approach allowing to investigate alexithymia for positive and negative emotions. Participants (N=122) aged 18 to 57 were administered the Toronto Alexithymia Scale (TAS-20) and the Perth Alexithymia Questionnaire (PAQ) to measure alexithymia; the Emotion Regulation Questionnaire (ERQ) and the Cognitive Emotion Regulation Questionnaire (CERQ) to measure the use of ER strategies, and the PANAS to measure affectivity. Multiple regressions were performed with positive and negative affectivity as covariates. The results show that alexithymia was predictive of an overall greater use of expressive suppression (all ps <.01) and a lower use of cognitive reappraisal strategies (cognitive reappraisal, centration on action; acceptance; rumination; self-blame, all ps <.05). However, the use of ER strategies was differentially predicted by specific alexithymia facets. While the facet difficulties describing negative feelings (N-DDF) was associated with more expressive suppression (b=.6, p=<.001), the facet difficulties identifying negative feelings (N-DIF) was associated with less expressive suppression (b=-.45, p=<.001) and the facet difficulties describing positive feelings (P-DDF) with more cognitive reappraisal (b=.34, p=.032). Moreover, difficulties identifying positive feelings (P-DIF) was associated with a lower use of acceptance (b=-0.46, p=0.004), which was not the case for difficulties identifying negative feelings. Our results confirm that alexithymia is associated with ER particularities, as observed in previous studies, and illustrate the value of adopting a facet-level approach while studying alexithymia. The ER strategy selection seems to be conditioned by an emotional avoidance mechanism, marked by a lower use of strategies involving an internal focus on emotions (such as cognitive reappraisal strategies). Future studies should confirm these findings by incorporating measures of emotional regulation that include other strategies (e.g., behavioral strategies as measured by the Behavioural Emotion Regulation Questionnaire). Our study also calls for further investigation of alexithymia for specific emotional valences as measured by the differences in ER observed in association with difficulties appraising positive and negative feelings.
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 | 0,004 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,011 | 0,002 |
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 ».