«– man kjenner liksom hele seg». En mikroanalytisk studie av prosess og endring i fire terapiforløp fra et affektbevissthetsperspektiv
Bibliographic record
Abstract
I søken etter å forklare terapeutisk endring har klinisk psykologisk forskning i økende grad vendt seg mot å belyse endringsprosesser, og arbeid med følelser har trådt frem som en virksom prosess på tvers av modeller. Denne studien tar utgangspunkt i affektbevissthetsmodellen (ABT; Monsen & Monsen, 1999) som har som terapeutisk mål å fremme affektintegrasjon. Studiens formål er å beskrive terapeutisk endring og prosess i fire terapier med forskjellige forløp og utfall, målt med selvrapporterte symptomer (SCL-90-R) og interpersonlige problemer (IIP-64). Tre transkriberte terapitimer fra hvert terapiforløp ble kodet etter ARIF, som beskriver pasienters affektrepresentasjon og terapeuters intervensjonsfokus, og analysert med et mixed methods design. Resultatene indikerer at pasientene har gjennomgått fire typer endring. «Lena» rapporterer nedgang i utfallsmål og gjennomgår en omfattende strukturell endring etter ARIF. «Per» rapporterer mye symptomreduksjon, men i mindre grad reduksjon i interpersonlige problemer, og observert endring i henhold til ARIF er begrenset. «Wenche» rapporterer endring på flere nivå i ARIF, men begrenset reduksjon i selvrapporterte utfallsmål. «Lotte» avbryter terapien og gjennomgår lite endring før dette. De ulike gradene og formene for endring blir diskutert. Studien belyser betydningen av hvordan den terapeutiske relasjonen og målrettet arbeid med affektintegrasjon kan fremme endring på ulike måter.
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 | 0.012 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.030 | 0.008 |
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".