Colocar a vivência do cancro da mama no papel : Impacto da escrita expressiva no bem-estar psicológico de mulheres portuguesas
Bibliographic record
Abstract
Objetivos: o estudo tem como objetivo determinar quais os determinantes psicossociais subjacentes à adesão à terapêutica da Escrita Expressiva (EE), e se esta terapêutica potencia um aumento do Bem-Estar Psicológico (BEP) numa população feminina com cancro de mama e sobreviventes ao mesmo. Literatura: A Expressão emocional (através da escrita) é uma forma de impedir o decréscimo do BEP que se verifica após o término do tratamento e ao longo dos anos. Método: Participantes do sexo feminino (n = 22) escreveram 20 minutos por dia, durante 3 dias consecutivos, sobre os seus sentimentos e pensamentos mais profundos relativos à vivência do cancro da mama, ou sobre os medos e angústias enquanto sobrevivente. O BEP foi avaliado em 4 momentos (pré e pós-intervenção, e dois períodos de 1 mês e 3 meses de follow-up), usando a Escala de Medida de Manifestação de Bem-Estar Psicológico (Monteiro, Tavares & Pereira, 2006). Para explorar os determinantes psicossociais subjacentes à adesão à EE, foram utilizados ainda os seguintes instrumentos: Escala de Ajustamento Mental ao Cancro (estratégias de coping) (Pais-Ribeiro, Ramos & Samico, 2003); NEO - FFI (Sub-escala Neuroticismo) (Lima, 1997); Escala de Alexitimia de Toronto (Prazeres, 1996); Revised Life Orientation Test (Otimismo) (Laranjeira, 2008); Brief Symptom Inventory (Sub-escala Depressão) (Canavarro, 1999); por último, Escala de Expressividade Emocional (Dinis, Gouveia & Xavier, 2011); Os dados obtidos foram analisados através de ANOVAS, ANOVAS de Medidas Repetidas e contagem de palavras (LIWC), enquanto a análise de conteúdo foi utilizada para avaliar as 66 narrativas produzidas. Resultados: Os fatores sociodemográficos e a saúde atual parecem determinantes psicossociais determinantes para a adesão à EE. Não se verificou um impacto significativamente estatístico da EE no BEP após a escrita e nos períodos de follow-up, contrariamente aos resultados qualitativos que revelam um claro impacto da EE no BEP após a escrita e nos períodos de follow-up.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| 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".