Ēšanas traucējumu pazīmju saistība ar depresiju, perfekcionismu un aleksitīmiju sievietēm
Bibliographic record
Abstract
Pētījuma mērķis bija noskaidrot iespējamās sakarības starp ēšanas traucējumu pazīmēm, perfekcionismu, depresiju un aleksitīmiju sievietēm. Pētījumā piedalījās 93 sievietes no 18-56 gadu vecumam, kuras uzrāda traucējumus ēšanas uzvedībā. Daļa no respondentēm pētījuma veikšanas laikā sadarbojās ar garīgās veselības aprūpes speciālistiem.\nPētījumā tika izmantotas četras metodes: „Aptauja par attieksmi pret ēšanu”, „Beka Depresijas Aptauja”, „Perfekcionisma aptauja” un „Toronto Aleksitīmijas Skala.” Pētījumā tika noskaidrots, ka pastāv statistiski nozīmīgas sakarības starp anorektisku uzvedību un perfekcionismu, kā arī grūtībām paust emocijas. Bulīmiska uzvedība statistiski nozīmīgi pozitīvi korelē ar depresiju un perfekcionismu, savukārt, nespecifiskie ēšanas traucējumi ar perfekcionismu un grūtībām paust emocijas.\nNo pētījuma rezultātiem var secināt, ka visu trīs ēšanas traucējumu terapijas procesā jāņem vērā perfekcionisma klātbūtne, bulīmiskas uzvedības ārstēšana cieši saistīta ar depresijas prevenci un terapiju, savukārt, anoreksijas un nespecifisko ēšanas traucējumu gadījumos uzsvars jāliek uz emociju paušanas prasmju attīstīšanu.\n\nAtslēgas vārdi: ēšanas traucējumi, depresija, perfekcionisms, aleksitīmija.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.062 | 0.003 |
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".