Instagram, Duygu Karmaşası ve Aleksitimi
Bibliographic record
Abstract
Günümüzde en çok kullanılan sosyal ağ platformlarından biri olan Instagram uygulamasında kullanıcılar, çok kısa bir süre içerisinde art arda olumlu ve olumsuz duygu içerikli paylaşımlara maruz kalabilmektedir. Bunun sonucunda, bireylerde bir duygu karmaşası oluşabileceği ve aleksitimi durumuna benzer şekilde duygu tanıma ve ifade etmede zorluklar yaşanabileceği düşünülmektedir. Bu düşünceyi test etmek amacıyla, Toronto Aleksitimi Ölçeği (TAÖ-20)’nden aldıkları puanlara göre düşük (n=16) ve yüksek (n=16) aleksitimik olarak ayrılan 32 üniversite öğrencisine, olumlu-olumsuz fotoğraflardan oluşan ve Instagram formatında hazırlanan bir uyaran sunumu gösterilmiş ve sonrasında katılımcılardan kendilerini nasıl hissettiklerine dair bir duygu değerlendirmesi yapmaları istenmiştir. Uyaran sunumu öncesinde katılımcılara Beck Depresyon Envanteri, Durumluk-Sürekli Kaygı Envanteri, Pozitif ve Negatif Duygu Ölçeği, Gözlerden Zihin Okuma Testi, Empatik Eğilim Ölçeği ve Stroop Testi uygulanmıştır. Elde edilen bulgular, sunum öncesinde düşük aleksitimik özellikler sergileyen katılımcıların, Instagram formatlı sunum sonrasında yüksek aleksitimi grubundaki katılımcılar kadar duygularını değerlendirmede zorlandıklarını, grupların duygu değerlendirmelerinin farklılaşmadığını ve her iki grubun da benzer şekilde duygu karmaşası yaşayarak duygu tanıma ve adlanlandırmada güçlük çektiğini göstermiştir. Ayrıca, literatürle uyumlu olarak yüksek aleksitimi grubu, daha yüksek bir depresyon ve kaygı düzeyi ile daha düşük bir empati düzeyi sergilemiştir. İleride yürütülecek kontrollü deneysel çalışmalarla, Instagram uygulamasında sürekli bir akış halinde olumlu ve olumsuz paylaşımlara maruz kalmaya bağlı olarak ortaya çıkabilecek duygu karmaşası ve aleksitimik özelliklerin, günlük yaşam aktiviteleri ile bilişsel işlevleri nasıl etkilediği incelenmelidir. Uzun süre ya da sık aralıklarla varlık gösteren duygu karmaşası, bireylerin aleksitimik bir duygudurum içerisine girmesine sebep olarak aleksitiminin eşlik ettiği pek çok psikiyatrik veya fiziksel hastalık için risk teşkil ediyor olabilir.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 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".