ЛИЧНОСТНЫЕ И КОММУНИКАТИВНЫЕ АСПЕКТЫ ПРОЯВЛЕНИЯ АЛЕКСИТИМИИ
Bibliographic record
Abstract
Цель. Выявить связь алекситимии с показателями межличностных отношений и личностных особенностей. Методы и методики исследования. Методы: теоретический анализ литературных источников; психологическое тестирование; математическая статистика: коэффициент ранговой корреляции Rs Спирмена. Методики: «Торонтская шкала алекситимии» TAS-20 (Toronto Alexithymia Scale – TAS-20-R; Г. Д. Тэйлор; адаптация: Е.Г. Старостина); «Тест на эмоциональный интеллект» (Н. Холл); «Многофакторный личностный опросник 16-PF» (Р. Кеттелл); «Диагностика помех в установлении эмоциональных контактов» (В.Бойко); «Опросник межличностных отношений» (Fundamental Interpersonal Relations Orientation – FIRO-B; В. Шутц; адаптация: А.А. Руковишников). Результаты. В результате проведенной работы мы выяснили, что алекситимия взаимосвязана с личностными и коммуникативными особенностями студентов. Нам удалось выявить особенности проявления эмоционального интеллекта, черт личности, конкретных помех при установлении эмоциональных контактов, которые проявляются с повышением выраженности алекситимии в общей исследуемой группе студентов. Область применения результатов. Результаты исследования могут быть применены для коррекции алекситимии и ее проявлений в межличностных отношениях студентов и при выстраивании контакта.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.005 |
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".