Perfectionnisme et stratégies d'adaptation
Bibliographic record
Abstract
Le cancer entraîne plusieurs impacts néfastes sur la santé physique et mentale. Les stratégies d’adaptation utilisées jouent un rôle important dans l’adaptation à la maladie. Puisqu’il peut avoir un impact sur la façon de réagir à un stresseur, le perfectionnisme pourrait être associé à l’utilisation de certaines stratégies. L’objectif de l’étude est d’examiner les liens entre ces construits et le sexe, l’âge et le type de cancer dans le but de mieux comprendre les variations dans l’adaptation des patients atteints d’un cancer. Les 962 participants, âgés entre 18 et 80 ans, atteints d’un cancer non métastatique ont rempli le Frost Multidimensional Perfectionism Scale et le Coping with Health Injuries and Problems avant leur chirurgie oncologique. Les résultats montrent que le perfectionnisme est significativement associé aux stratégies d’adaptation. Les stratégies inadaptées (p.ex Distraction) sont associées autant au perfectionnisme considéré comme adapté qu’inadapté. Un niveau de perfectionnisme plus élevé se voit chez les hommes et les personnes plus âgées. Les résultats montrent aussi que les femmes ont recours à davantage de stratégies d’adaptation. Des études futures sont nécessaires afin de confirmer les facteurs permettant de définir si un type de perfectionnisme est adaptatif ou non dans le contexte du cancer.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".