EEn la última década se ha observado un incremento en la aplicación de programas para reducir la violencia en las escuelas. El presente estudio tuvo como objetivo identificar la efectividad de programas relacionados con la violencia escolar por medio de una revisión sistemática de la literatura y un metanálisis. Siguiendo los pasos sugeridos por el protocolo Prisma y con base en los criterios de inclusión y exclusión, se seleccionó y analizó 14 estudios encontrados en las bases de datos Web of Science, PsycINET, Scopus, Ebsco, Scielo y PubMed. La mayoría de las intervenciones analizadas mostraron ser efectivas para la reducción de conductas asociadas con la violencia escolar (87.72%). Además, se revisó algunas otras características de los estudios como las variables incluidas en los estudios, la nacionalidad y tipo de intervención. Finalmente, se resalta la importancia de contar con medidas y programas estandarizados para dar respuesta al complejo fenómeno de la violencia escolar.

Durante la última década ha habido un crecimiento exponencial de modelos de inteligencia artificial aplicados a los distintos campos del conocimiento incluida la psicología. Diversos estudios han utilizado dichos modelos con el objetivo de identificar precozmente potenciales riesgos. Sin embargo, pocos estudios enfocados en adolescentes han utilizado dichas técnicas. La presente revisión sistemática utilizó los pasos sugeridos por el modelo Prisma para identificar estudios que aplicaron técnicas de Machine Learning para identificar rasgos comportamentales en adolescentes. Al aplicar los criterios de inclusión y exclusión fueron identificados 5 estudios en las bases de datos PsycNET, PubMed, Scopus, Scielo, Web of Science y Science Direct. Los principales resultados muestran que los algoritmos de Machine learning principalmente utilizados de forma individual o combinada fueron regresión logística (n=4) y Support Vector Machine SVM (n=3) además de otros como Adaboost (n=1) Nested ten-fold crossvalidation (n=1), Random Forest (n=1), Artificial Neural Network ANN (n=1)  y Extreme gradient boosting XGB (n=1). Esta revisión resalta que la utilización de métodos de Machine learning proveen herramientas predictivas confiables tanto o más que los métodos estadísticos tradicionales. Por último, la presente revisión destaca la falta de estudios que utilicen dichas herramientas en el campo de la psicología principalmente en adolescentes.

Objetivo: identificar os níveis de autocompaixão e gratidão em adultos diagnosticados com Transtorno por Uso de Substâncias (TUS), correlacionando-os entre si e com sintomas de ansiedade, depressão e estresse. Método: modelo descritivo, quantitativo e transversal com 65 adultos. Os instrumentos utilizados foram um questionário sociodemográfico e de saúde, o Questionário para Triagem do Uso de Álcool, Tabaco e Outras Substâncias (ASSIST), a Escala de Gratidão (G-20), a Self-Compassion Scale (SCS) e a Escala de Depressão, Ansiedade e Estresse - versão breve (DASS-21). Resultados: a subescala da Dimensão Adaptativa da SCS apontou escore médio mais elevado em Senso de humanidade (3,1±1,1) e Mindfulness (3,1±1,1), enquanto na de Dimensão Não Adaptativa se destacou a Sobre identificação (3,6±1,1). A pontuação total da G-20 teve média de 117,4 (dp = 19,3) pontos. Correlações significativas foram encontradas na correlação com as subescalas de ansiedade e depressão. Conclusão: os dados indicam a presença de associações significativas entre os níveis de autocompaixão e gratidão, bem como uma relação inversa com a sintomatologia, pois quanto mais gratas e autocompassivas, menos sintomas de depressão, estresse e ansiedade foram manifestados. Desta forma, fomenta estudos relacionados com intervenções em Psicologia Positiva e seus impactos na prevenção de recaídas em pacientes com TUS.