Особенности психологического благополучия студентов с различным соматическим здоровьем до и во время пандемии COVID-19

Автор: Вишнякова Нина Николаевна, Логинова Ирина Олеговна, Наркевич Артем Николаевич, Тяжельников Юрий Александрович

Журнал: Вестник Красноярского государственного педагогического университета им. В.П. Астафьева @vestnik-kspu

Рубрика: Психологические науки. Психология личности

Статья в выпуске: 3 (61), 2022 года.

Бесплатный доступ

Проблема и цель. в статье акцентируется внимание на одной из приоритетных задач государства - сохранение и укрепление здоровья населения. Цель исследования - выявление особенностей психологического благополучия студенческой молодежи с различным соматическим здоровьем в допандемийный и пандемийный период, связанный с COVID-19. Гипотеза исследования была построена на предположении, что у обучающихся второй и третьей групп диспансерного наблюдения с низким уровнем психологического благополучия в период пандемии, связанной с COVID-19, психологическое благополучие будет ниже, чем в допандемийный период, а у обучающихся первой группы диспансерного наблюдения психологическое благополучие не изменится. Методологической базой исследования послужили концепция психологического благополучия К. Рифф и подходы к пониманию диспансерного наблюдения на основе законодательной базы в области здравоохранения. Материалы и методы. Представленные результаты эмпирического исследования получены на выборке студентов медицинского университета. Исследование осуществлялось в два этапа: первый этап - в допандемийный период; второй этап - в пандемийный период. Исследование проводилось с использованием специально разработанного модуля психологической диагностики https://krasgmu.ru/index.php?page[common]=psy, который позволяет осуществлять сбор данных, автоматическую обработку, получать статистические данные по определенной совокупности респондентов. В автоматизированном режиме использовалась методика «Шкалы психологического благополучия» («The scales of psychological well-being») К. Рифф. В исследовании приняли участие 311 студентов КрасГМУ на каждом из этапов исследования. Результаты. Обнаружено отсутствие значимых различий у представителей первой группы диспансерного наблюдения, что позволяет предположить связь соматического здоровья и способности сохранять психологическое благополучие в трудных жизненных ситуациях (например, в условиях пандемии Covid-19). Выявлены заметные различия по ряду параметров у представителей второй и третьей групп диспансерного наблюдения, указывающие на то, что респонденты с соматическими заболеваниями труднее переживают пандемийный период (подтверждается снижением на втором этапе количества респондентов, демонстрирующих высокий уровень по шкале «Автономия» и «Управление окружающей средой» в обеих группах, а также снижением количества респондентов третьей группы диспансерного наблюдения, принадлежащих к среднему уровню по шкале «Управление окружающей средой» и среднему и высокому уровню по шкале «Наличие цели в жизни»). Зафиксировано отсутствие значимых различий по шкалам «Позитивные отношения с окружающими», «Личностный рост», «Самопринятие» во всех трех группах, что свидетельствует об устойчивости этих показателей психологического благополучия в пандемийный период. Заключение. Сделан вывод, что именно респонденты с хроническими соматическими заболеваниями труднее переживают пандемийный период. Полученные данные указывают на необходимость разработки специальных программ психологического сопровождения обучающихся с соматическими заболеваниями в период эпидемиологического режима.

Еще

Психологическое благополучие личности, хронические соматические заболевания, группы диспансерного наблюдения, допандемийный период, период пандемии, covid-19

Короткий адрес: https://sciup.org/144162390

IDR: 144162390   |   DOI: 10.25146/1995-0861-2022-61-3-355

Список литературы Особенности психологического благополучия студентов с различным соматическим здоровьем до и во время пандемии COVID-19

  • Доктрина информационной безопасности (утверждена указом Президента РФ № 464 от 05.12.2016).
  • Конституция Российской Федерации (принята всенародным голосованием 12.12.1993 с изменениями, одобренными в ходе общероссийского голосования 01.07.2020).
  • Российская Федерация. Законы: Федеральный закон от 27.07.2006 № 149-ФЗ: редакция от 30 декабря 2021 г.: с изменениями и дополнениями, вступившими в силу с 1 января 2022 г. // КонсультантПлюс: справочная правовая система. URL: http://www.consultant.ru/document/consdocLAW61798 (дата обращения: 20.06.2022).
  • Российская Федерация. Законы. Кодекс Российской Федерации об административных правонарушениях: Федеральный закон от 30.12.2001 № 195-ФЗ: редакция от 11 июня 2022 г. // КонсультантПлюс: справочная правовая система.
  • URL: http://www.consultant.ru/document/consdoc/ (дата обращения: 20.06.2022).
  • Российская Федерация. Законы. Уголовный кодекс Российской Федерации: Федеральный закон от 13.06.1996 № 63-ФЗ: редакция от 25 марта 2022 года // КонсультантПлюс: справочная правовая система. URL: http://www.consultant.ru/document/cons_doc_LAW (дата обращения: 20.06.2022).
  • Российская Федерация. Законы. Федеральный закон от 30.12.2020 № 530-ФЗ // КонсультантПлюс: справочная правовая система.
  • URL: http://www.consultant.ru/document/consdocLAW372700/ (дата обращения: 20.06.2022).
  • Дробницкий О.Г. Понятие морали. М.: Наука, 1974. 386 с.
  • Ермаков А.Е. Компьютерная лингвистика и анализ текста // Мир ПК. 2002. № 9. URL: http://www.osp.ru/peworld/2002/09/163968 (дата обращения: 20.05.2022).
  • Ковалев Г.Ф. Русский мат – следствие уничтожения табу // Культурные табу и их влияние на результат коммуникации: сб. науч. тр. Воронеж: ВГУ, 2005, С. 184–197.
  • Котельников Е.В., Окулов С.М. Обзор подходов для автоматического распознавания эмоций в текс-тах // Научные итоги года. 2012. № 2. С. 96–101.
  • URL:https://cyberleninka.ru/article/n/obzor-podhodov-dlya-avtomaticheskogo (дата обращения: 20.05.2022).
  • Леонтьева Н.Н. Автоматическое понимание текстов: системы, модели, ресурсы. М.: Академия, 2006. 304 с.
  • Мокиенко В.М., Никитина Т.Г. Русское сквернословие. Краткий, но выразительный словарь. М.: Олма Медиа Групп, 2007. 384 с.
  • Наивный байесовский классификатор. URL: https://ru.wikipedia.org/wiki/Наивныйбайесовскийклассификатор (дата обращения: 20.06.2022).
  • Пантелеев А.Ф. Анализ текста как средство обеспечения информационной безопасности личности // Информационная безопасность регионов: научно-практический журнал. 2014. № 1 (14). С. 32–38.
  • Селезнева Н.Т., Белая А.А., Грузинцев А.В. Психологические факторы использования личностью сетевых коммуникаций // Вестник КГПУ им. В.П. Астафьева. 2021. № 4 (58). С. 44–53. URL: https://elibrary.ru/download/elibrary4741159157857491.pdf
  • Хириев А.Т. Теоретико-методологические основы информационной безопасности личности. 2007 (на правах рукописи). URL: https://www.daaudit.ru/news-pubs/pub-2-1.html
  • Худякова М.В., Давыдов С., Васильев В.Г. Классификация отзывов пользователей с использованием фрагментных правил. Компьютерная лингвистика и интеллектуальные технологии: по матер. ежегодной Междунар. конфр. «Диалог». Бекасово, 30 мая – 3 июня 2012 г. М.: Изд-во РГГУ, 2012. Вып. 11 (18): в 2 т. Т. 2: Доклады специальных секций.
  • Шагин А. Наивный байесовский классификатор. URL: https://medium.com/nuances-of-programming/ (дата обращения: 20.06.2022).
  • Lai S., Xu L., Liu K., Zhao J. Recurrent convolutional neural networks for text classification. In: Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence. January 25–31, 2015. Austin, Texas USA, 2015. Is. 29 (1). P. 2267–2273.
  • Maasberg M., Van Slyke C., Ellis S., Beebe N. The dark triad and insider threats in cyber security // Communications of the ACM. 2020. Vol. 63, No. 12. P. 64–80. URL: https://cacm.acm.org/magazines/2020/12 (access date: 20.05.2022).
  • Pang B., Lee L., Vaithyanathan S. Sentiment classification using machine learning techniques. In: Proceedings of the ACL-02 Conference on «Empirical methods in natural language processing». Association for Computational Linguistics, 2002. Vol. 10. P. 79–86.
  • Tan S., Cheng X., Wang Y., Xu H. Adapting naive Bayes to domain adaptation for sentiment analysis. In: Boughanem, M., Berrut, C., Mothe, J., Soule-Dupuy, C. (eds) Advances in Information Retrieval. ECIR 2009. Lecture Notes in Computer Science. Vol. 5478. P. 337–349. Springer, Berlin, Heidelberg. DOI: https://doi.org/10.1007/978-3-642-00958-7_31
  • Tang X. Yang C., Wong Y., Wei C. Understanding online consumer review opinions with sentiment analysis using machine learning // Pacific Asia Journal of the Association for Information Systems. 2010. No. 3 (2). P. 73–89.
  • Turney P.D. Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews. In: Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics, Philadelphia, Pennsylvania, 2002. P. 417–424.
Еще
Статья научная