Vivre le deuil d’un être cher en temps de pandémie : quels facteurs sont associés à la croissance post-traumatique ?
Bibliographic record
Abstract
La perte d’une personne significative est souvent associée à des impacts négatifs sur la santé physique et mentale chez les personnes endeuillées. Pourtant, des conséquences positives peuvent émerger à la suite de cette expérience chez bon nombre d’individus. À ce sujet, le concept de croissance post-traumatique de Tedeschi et Calhoun (2004) est intéressant à considérer, car il permet d’identifier les aspects positifs pouvant émerger dans cinq domaines de la personne à la suite d’une crise ou d’un événement majeur hautement stressant, comme le décès d’un proche en temps de pandémie de la COVID-19. Ces cinq domaines sont : relations avec les autres, nouvelles possibilités, force personnelle, changement spirituel et appréciation de la vie. Cet article fait suite à une étude réalisée auprès de 660 personnes endeuillées ayant perdu un ou plusieurs proches durant la première année de pandémie qui visait à répondre à la question suivante : quelles sont les caractéristiques sociodémographiques, contextuelles et celles liées à la santé mentale qui sont associées à la présence de croissance post-traumatique chez les personnes endeuillées qui ont été confrontées à des mesures sanitaires contraignantes ?
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".