ویژگی های روان سنجی نسخه فارسی مقیاس چند بعدی نفرت از خود (MSDS)
Publish place: Journal of Social Cognition، Vol: 9، Issue: 2
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 161
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SCPN-9-2_004
تاریخ نمایه سازی: 29 آذر 1401
Abstract:
مقدمه: نفرت از خود به عنوان یک طرح واره هیجانی خودآگاه منفی با آسیب شناسی روانی همراه است. پژوهشحاضرباهدفتعیین ویژگیهای روانسنجی نسخهی فارسی مقیاس چندبعدی نفرت از خود انجام شد. روش: جامعهی آماری این پژوهش راکلیهیدانشجویان کارشناسیدانشگاهآزاد اسلامی واحد علوم و تحقیقات تهراندرسالتحصیلی ۹۹-۹۸ تشکیل دادند که از بین آن هاتعداد۳۲۴ دانشجو (۲۰۱ زن، ۱۲۳ مرد) بهروشنمونهگیری چندمرحله ای انتخاب و به مقیاسهای چندبعدی نفرت از خود، سطوح خودانتقادی، عزت نفس روزنبرگ و پرسشنامهی پنجعاملی شخصیتپاسخ دادند. دادههایجمعآوری شده با استفاده از روش تحلیل عاملی اکتشافی، تحلیل عاملی تاییدی، آلفای کرونباخ و ضریب همبستگی پیرسون در نرمافزارهایSPSSو AMOS تحلیل شد. یافته ها: نتایج تحلیل عاملی اکتشافی مقیاس نفرت از خود، ۴ عامل با مﻘادیر ویژهی بیشتر از یک را آشکار کرد که ۳۵/۵۰ درصد از واریانس راتبیینکردند. شاخصهایتحلیلعاملیتاییدینیزدلالتبربرازشمطلوب مدل ۴ عاملی این مقیاس داشت.پایایی کل مقیاس با استفاده از ضریب آلفای کرونباخ و دونیمه کردن به ترتیب ۹۱/۰ و ۸۷/۰ به دست آمد. روایی همگرا و واگرا نیز از طریق محاسبه ی همبستگی مقیاس به ترتیب با پرسشنامههای سطوح خودانتقادی و عزت نفس روزنبرگ تایید شد (۰۱/۰>p). همچنین، این مقیاس همبستگیمثبت و معناداری باروان رنجور خویی و همبستگی منفی و معناداری با گشودگی به تجربه داشت (۰۵/۰>p). نتیجه گیری: مقیاس چندبعدی نفرت از خودازرواییوپایایی نسبتاخوبیجهتاستفادهدرنمونههایایرانیبرخورداراست و میتواند ابزاری مناسب جهت استفاده در پژوهشهای این حوزه باشد.
Keywords:
Authors
سجاد بشرپور
دانشیار گروه روان شناسی، دانشگاه محقق اردبیلی، اردبیل، ایران.
سحر خوش سرور
دانشجوی دکتری روانشناسی، گروه روانشناسی، دانشکده علوم تربیتی و روان شناسی، دانشگاه محقق اردبیلی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :