A Study of the Effect of Alexithymia and Body Image on Emotinal Eating of College Students
Bibliographic record
Abstract
Bu çalışmanın amacı aleksitimi ve beden algısının duygusal yemeye etkisini incelemektir. Çalışma Türkiye’nin çeşitli üniversitelerinde eğitimine devam eden 341 öğrenci ile yürütülmüştür. Katılımcılardan Kişisel Bilgi Formu, Duygusal Yeme Ölçeği, Vücut Algısı Ölçeği ve Toronto Aleksitimi Ölçeği aracılığıyla veriler toplanmıştır. Değişkenler arasındaki ilişkiyi incelemek amacıyla yapılan Pearson Korelasyon analizi sonucunda aleksitimi, duyguları tanımada güçlük ve duyguları söze dökmede güçlük ile duygusal yeme ve duygusal yemenin faktörleri arasında pozitif yönlü istatistiki olarak anlamlı bir ilişki bulunmuştur; beden algısı ile duygusal yemenin faktörleri arasında negatif yönlü istatistiki olarak anlamlı bir ilişki bulunmuştur. Aleksitimi ile beden algısının duygusal yeme ve duygusal yemenin faktörlerine etkisini incelemek amacıyla yapılan Çoklu Doğrusal Regresyon analizi sonuçlarına göre beden algısı tüm modellerde yordayıcı olarak yer alırken, duyguları tanımada güçlük ve duyguları söze dökmede güçlük faktörleri bazı modellerde yordayıcı olarak yer almıştır. Sosyodemografik değişkenler olan cinsiyet ve medeni durum kategorilerine göre duygusal yeme yordayıcılarının farklılaşıp farklılaşmadığını incelemek amacıyla yapılan Çoklu Doğrusal Regresyon analizi sonuçlarına göre beden algısının çoğu modelde, duyguları tanımada güçlük ve duyguları söze dökmede güçlük faktörlerinin ise bazı modellerde yordayıcı olarak yer aldığı görülmüştür. Sonuçlar literatür çerçevesinde tartışılmıştır.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".