Contaminação mental no transtorno obsessivo-compulsivo: revisão da literatura e orientações para a pesquisa e a clínica durante a pandemia da Covid-19
Bibliographic record
Abstract
É possível se contaminar através do pensamento? Objetivamente não; subjetivamente, porém, não se pode dizer o mesmo. O construto “contaminação mental” ainda é muito pouco estudado e, principalmente, pouco difundido na literatura em língua portuguesa. Sendo assim, o objetivo deste artigo foi revisar os estudos que relacionaram a contaminação mental ao transtorno obsessivo-compulsivo (TOC) ao longo dos últimos 5 anos. A busca foi realizada através das bases de dados PubMed, MEDLINE e PsycINFO, e após a aplicação dos critérios de inclusão, seis estudos foram revisados integralmente. Com base na análise das amostras utilizadas, dos instrumentos adotados, dos resultados encontrados e das limitações informadas pelos autores de cada estudo, concluímos que: 1) poucos estudos contemplaram tanto uma população clínica como uma não clínica; 2) o Vancouver Obsessional Compulsive Inventory-Mental Contamination foi o instrumento mais utilizado para mensurar a contaminação mental; 3) a contaminação mental tem relação com outros fenômenos que também fazem parte do TOC (como a propensão ao nojo); e 4) os estudos apresentam, comumente, limitações relacionadas à amostra. Ao final, apresentamos os passos necessários para incentivar a pesquisa científica brasileira acerca da contaminaçãomental, bem como estratégias que os profissionais da saúde mental podem adotar para orientar pacientes com TOC, durante o período da pandemia, visando reduzir a suscetibilidade à contaminação mental.
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 | 0.009 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.010 | 0.012 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".