Alexitimia y regulación emocional en militares hospitalizados de la zona VRAEM
Bibliographic record
Abstract
El principal objetivo de la presente investigación es analizar la relación entre las dos estrategias de regulación emocional: reevaluación cognitiva y supresión, con el nivel de alexitimia general y con sus características: dificultad para identificar los sentimientos y distinguirlos de las sensaciones corporales, dificultad para expresar los sentimientos y estilo de pensamiento orientado a lo externo. La muestra está conformada por 42 militares de tropa, de la zona VRAEM que tienen entre 18 y 25 años (M= 20.76, DE= 1.57) y que se encuentran hospitalizados. Se utilizó el Cuestionario de Autorregulación Emocional en la versión adaptada al Perú (ERQP) y la adaptación española con modificaciones para población limeña de la Escala de Alexitimia de Toronto (TAS-20). Los resultados demostraron que la alexitimia está relacionada al uso de la estrategia de supresión y que esta estrategia está relacionada con el factor de la alexitimia: dificultad para expresar los sentimientos. Además, se encontró que los militares de la zona VRAEM utilizan en mayor medida la estrategia de supresión. Los resultados y sus implicancias en la salud mental, bienestar, desempeño y posibles intervenciones en esta población, son discutidos y analizados.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.002 |
| 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".