Latent profile analysis and its influencing factors of alexithymia among nursing students in vocational
Notice bibliographique
Résumé
ObjectiveTo explore the potential categories of alexithymia among nursing students in vocational and to analyze their influencing factors.MethodsA total of 828 nursing students from the 2022 and 2023 vocational colleges in Anhui province were selected as the research subjects by convenience sampling from October to November 2023.General information survey,Chinese version Toronto Alexithymia Scale,and Chinese version Interpersonal Reactivity Index⁃C were used for the survey.The potential classification of alexithymia among nursing students was explored by latent profile analysis,and the optimal classification was determined.The influencing factors of the potential categories of alexithymia was explored by Logistic regression analysis.ResultsAlexithymia among nursing students in vocational could be divided into 3 categories,included 62 individuals(7.5%) in the non⁃expressive disorder or low⁃risk group,351 individuals(42.4%) in the moderate risk group,and 415 individuals(50.1%) in the high⁃risk group.The Logistic regression analysis results showed that family residence,reasons for choosing nursing majors,and empathy ability were potential influencing factors of the categories of alexithymia among nursing students in vocational(P<0.05).ConclusionsThere is heterogeneity in the alexithymia among nursing students in vocational.Nursing educators and educational managers should promptly identify nursing students in vocational with alexithymia,balance the development of empathy ability,and reduce the level of alexithymia.
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 | 0,001 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».