Le contre-transfert dans le traitement des troubles alimentaires: Recension systématique des écrits
Bibliographic record
Abstract
Objectif: Identifier les manifestations du contre-transfert et leurs causes chez les thérapeutes qui traitent des patients souffrant de troubles alimentaires, et faire état des solutions qui ont été proposées pour surmonter les aspects négatifs du contre-transfert dans le but d'améliorer la qualité du traitement. Méthode: À l'aide des principales banques de données en sciences de la santé et psychologie, nous avons repéré les études traitant du contre-transfert dans le traitement des troubles alimentaires. Résultats: Une diversité de manifestations du contre-transfert sont recensées. II appert notamment que les thérapeutes ressentent souvent des affects négatifs au cours du traitement des patients souffrant de troubles alimentaires. Le contre-transfert semble influencé par des facteurs en lien tant avec la maladie qu'avec le patient et le thérapeute. De plus, un contre-transfert négatif peut entraîner des conséquences qui entravent le bon déroulement du traitement. Les principales solutions recensées pour y faire face sont la supervision, la consultation auprès de collègues et le travail en équipe. Conclusions: Plusieurs des facteurs impliqués dans le contre-transfert semblent difficilement modifiables, d'où l'importance d'appliquer des solutions efficaces permettant d'en surmonter les aspects négatifs. Par ailleurs, peu d'études empiriques se sont penchées sur le contre-transfert dans le traitement des troubles alimentaires. Il y a là un champ de recherche fort pertinent mais très peu exploité qui mérite davantage d'attention de la part de la communauté scientifique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".