Diferenciación Emocional Asociada A Depresión En Estudiantes De La Usma Sede David Durante El 2021
Bibliographic record
Abstract
La diferenciación emocional puede describirse como el grado de detalle con el cual la persona es capaz de interpretar y etiquetar sus propias experiencias emocionales. La literatura actual relaciona la alta diferenciación emocional con una mejor regulación emocional, autoestima positiva, resiliencia, estrategias adaptativas de afrontamiento, y menores índices de trastornos mentales. La presente investigación pretendía determinar la asociación que existe entre la diferenciación emocional y la depresión, para esto se aplicó el Inventario de Depresión de Beck-II, una subescala de la Escala de Alexitimia de Toronto Abreviada y un cuestionario de vocabulario emocional, a una muestra de 148 estudiantes de las licenciaturas ofrecidas por la USMA Sede David. Los datos resultantes de la aplicación de las herramientas permitieron la obtención de una medida de la capacidad de diferenciación emocional y una medida del grado de depresión de los estudiantes; utilizando dicha información se comprobó la hipótesis a través del coeficiente de correlación de Pearson. A través del análisis de resultados fue posible concluir que el 3% de los estudiantes presenta capacidades muy bajas, el 20% capacidades bajas, el 37% capacidades medias, el 26% capacidades altas, y el 14% presenta capacidades muy altas de diferenciación emocional. Por otro lado, se encontró que el 41% de la muestra presenta síntomas compatibles con un grado de depresión. Finalmente, fue posible determinar la existencia de una correlación lineal negativa de -0,559 entre la diferenciación emocional y la depresión, es decir que, a mayores niveles de depresión reportados por una persona, ésta reportará menores niveles de diferenciación emocional. Tales resultados concuerdan con lo hasta ahora expuesto en la literatura referente al tema.
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 | 0.002 | 0.009 |
| 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 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".