SCS-SF – skala współczucia wobec siebie: jak policzyć i zinterpretować wynik

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Czym jest SCS-SF i gdzie się ją stosuje

Skala współczucia wobec siebie w wersji skróconej (Self-Compassion Scale – Short Form, SCS-SF) to 12-pozycyjna wersja 26-pozycyjnej SCS Kristin Neff. Neff (2003) opisuje współczucie wobec siebie jako trzy pary przeciwieństw. Pierwsza to życzliwość wobec siebie zamiast surowej samokrytyki. Druga to poczucie, że cierpienie jest częścią wspólnego ludzkiego doświadczenia, zamiast izolacji. Trzecia to uważne przyjęcie bolesnych myśli i uczuć zamiast nadmiernej identyfikacji z nimi. Z tych par powstaje sześć składników mierzonych przez skalę.

W pracach dyplomowych SCS-SF pojawia się głównie na psychologii: klinicznej, zdrowia i pozytywnej. Zwykle towarzyszą jej miary depresji, lęku, stresu, samooceny albo uważności. Ogólny plan analiz na tym kierunku opisuje poradnik statystyka dla psychologa, a pokrewną miarę uważności – wpis o skali MAAS. Ten wpis należy do serii o liczeniu wyników kwestionariuszy, obok m.in. skali samooceny Rosenberga.

Budowa: 12 pozycji, sześć składników, odpowiedzi 1–5

Raes i in. (2011) zbudowali SCS-SF na dwóch próbach holenderskich i sprawdzili ją na próbie anglojęzycznej. Alfa wyniku ogólnego wyniosła co najmniej .86 we wszystkich próbach. Korelacja z pełną SCS miała wartość co najmniej .97. Konfirmacyjna analiza czynnikowa potwierdziła sześć składników, jak w pełnej wersji, i jeden czynnik wyższego rzędu. Autorzy podsumowują, że wersja skrócona dobrze zastępuje pełną przede wszystkim przy wyniku ogólnym.

Na stronie autorki pełna SCS ma odpowiedzi od 1 (prawie nigdy) do 5 (prawie zawsze). Pozycje trzech składników negatywnych odwraca się przed liczeniem wyniku ogólnego (Neff, b.d.). Treści pozycji nie przytaczamy. Numery pozycji SCS-SF należących do każdego składnika i skalę odpowiedzi sprawdź w arkuszu informacyjnym SCS-SF, który autorka udostępnia na stronie dla badaczy razem z formularzem. Ponieważ 12 pozycji dzieli się na sześć składników, każdy z nich mierzy tylko kilka pozycji. To ma duże znaczenie przy podskalach.

Jak policzyć wynik SCS-SF krok po kroku

Krok 1. Sprawdź kodowanie 1–5

Formularze online czasem zapisują odpowiedzi jako 0–4. Wtedy średnia spada o cały punkt, a orientacyjne przedziały autorki przestają pasować. Zrób tabelę częstości każdej pozycji, zanim cokolwiek policzysz.

Krok 2. Odwróć pozycje składników negatywnych

Przy skali 1–5 odwrócenie to 6 − x: odpowiedź 1 staje się 5, a 4 staje się 2. Odwracasz tylko pozycje osądzania siebie, izolacji i nadmiernej identyfikacji. Kontrola jest prosta. Przed odwróceniem pozycja negatywna koreluje ujemnie z sumą pozycji pozytywnych, a po odwróceniu – dodatnio. Więcej o tej procedurze piszemy w haśle pozycja odwrócona.

Krok 3. Policz wynik ogólny jako średnią

Strona autorki podaje wynik ogólny na skali 1–5, więc jest to średnia, a nie suma (Neff, b.d.). Wyższy wynik oznacza więcej współczucia wobec siebie. Średnia ma tę zaletę, że zachowuje skalę odpowiedzi i ułatwia porównania z literaturą. Kiedy suma i średnia dają te same wnioski, a kiedy nie, wyjaśnia hasło wynik skali: średnia czy suma.

Krok 4. Podskale – z ostrożnością

Podskalę liczysz jako średnią surowych odpowiedzi jej pozycji, bez odwracania. Wtedy wyższy wynik osądzania siebie oznacza więcej osądzania. Przy tak krótkich podskalach rzetelność jest niska, co widać w przykładzie poniżej. Dlatego Raes i in. (2011) zalecają SCS-SF głównie do wyniku ogólnego. Autorzy polskiej adaptacji SCS-SF piszą wprost, że do podskal lepiej użyć pełnej SCS (Holas i in., 2024).

Wynik ogólny czy dwa wymiary? Spór w literaturze

Ta część dotyczy obu wersji skali i ma znaczenie dla Twojej analizy. Muris i Petrocchi (2017) zwrócili uwagę, że połowa pozycji SCS i SCS-SF opisuje obecność współczucia, a druga połowa – jego przeciwieństwo. W ich metaanalizie 18 badań składniki pozytywne korelowały z psychopatologią ujemnie, a negatywne dodatnio i istotnie silniej. Wnioskują, że wynik ogólny z odwróconymi składnikami negatywnymi prawdopodobnie zawyża związek z objawami. Według nich część tego związku wynika z tego, że składniki negatywne same opisują objawy.

Neff i in. (2019) przeanalizowali 20 prób (N = 11 685) pełnej SCS w CFA i ESEM. Modele z jednym i z dwoma czynnikami miały niewystarczające dopasowanie. Dobrze dopasowane były modele sześciu skorelowanych czynników i modele bifactor. Czynnik ogólny wyjaśniał 95% rzetelnej wariancji pozycji. Autorzy wnioskują, że można używać wyniku ogólnego albo sześciu podskal, ale nie dwóch osobnych wyników: odpowiadania współczującego i niewspółczującego. Na stronie dla badaczy Neff zaleca przy walidacji tłumaczeń modele bifactor w ESEM (Neff, b.d.). Takie modele omawia wpis model bifactor i ESEM, a hasło ESEM definiuje skrót.

Dla samej wersji skróconej obraz jest mniej jednoznaczny. Hayes i in. (2016) przebadali 1609 studentów korzystających z poradni psychologicznych. Proponowana struktura SCS-SF się nie potwierdziła, a analizy wskazały dwa czynniki: troskę o siebie i deprecjonowanie siebie. Polska adaptacja wskazała z kolei jeden główny czynnik (Holas i in., 2024). Wniosek praktyczny: w pracy dyplomowej użyj wyniku ogólnego jako głównej zmiennej. Jeśli hipoteza dotyczy osobno składników pozytywnych i negatywnych, potraktuj taki podział jako analizę dodatkową i powołaj się na spór, nie na jedno źródło.

Interpretacja: bez norm, z orientacyjnymi przedziałami

Według FAQ dla badaczy skala nie ma formalnych norm. Wynik można nieformalnie traktować jako niski (1–2.49), umiarkowany (2.5–3.49) i wysoki (3.5–5.0). Niektórzy badacze dzielą próbę medianą (Neff, b.d.). Przedziały te podano dla skali współczucia wobec siebie, bez osobnych wartości dla wersji skróconej. Nie są punktami odcięcia ani normami, więc w analizach używaj wyniku ciągłego. Podział medianą zmniejsza moc i utrudnia porównania. Dlaczego, wyjaśniamy w poradniku niski, przeciętny, wysoki wynik.

Przykład: SCS-SF i objawy depresji u 400 osób studiujących

Dane są symulowane i możesz je pobrać jako plik CSV. Kolumny nazwano według składników, np. zy1 i zy2 dla życzliwości wobec siebie. Dla prostoty każdy składnik ma w symulacji dwie pozycje. W prawdziwych danych przypiszesz pozycje według arkusza autorki. Kolumna depresja to wynik z innej skali (0–27). Dane wygenerowano z modelu, w którym składniki negatywne mają dodatkowy wspólny czynnik. Wyniki struktury ilustrują więc procedurę i nie rozstrzygają sporu opisanego wyżej.

Wynik ogólny ma wysoką rzetelność: alfa i omega McDonalda wyniosły .90. Obie warto podać, bo alfa zakłada równe ładunki pozycji (McNeish, 2018). Dwupozycyjnych podskal nie opisuje się alfą. Podaje się korelację pozycji, a obok niej poprawkę Spearmana–Browna (S–B). Te wyniki mieściły się między .61 a .68, czyli wyraźnie poniżej wyniku ogólnego. To liczbowy powód, dla którego autorzy wersji skróconej stawiają na wynik ogólny.

Według orientacyjnych przedziałów 23.5% osób miało wynik niski, 43.2% umiarkowany, a 33.2% wysoki. Taki podział możesz opisać, ale do testów używaj wyniku ciągłego.

Struktura i związek z depresją

W CFA model jednoczynnikowy dopasował się słabo: χ²(54) = 238.97, CFI = .901, RMSEA = .093, SRMR = .061. Model dwóch skorelowanych czynników (składniki pozytywne i negatywne) dopasował się bardzo dobrze: χ²(53) = 53.97, CFI = .999, RMSEA = .007, SRMR = .026, korelacja czynników .74. Wynik ten wynika z założeń symulacji. W prawdziwych danych porównaj też model bifactor, jak zalecają Neff i in. (2019).

Wynik ogólny korelował z depresją r = −.47. Składniki negatywne korelowały silniej (r od .41 do .44) niż pozytywne (od −.31 do −.34). W regresji z oboma wymiarami naraz związek niósł głównie wymiar negatywny: β = 0.42, 95% CI [0.31, 0.53]. Wymiar pozytywny miał β = −0.10, 95% CI [−0.21, 0.01], a R² = .239. Taki wzorzec opisują Muris i Petrocchi (2017). Jeśli pojawi się w Twoich danych, zgłoś go w dyskusji. Nie wnioskuj jednak, że „życzliwość wobec siebie nie ma znaczenia”, bo wymiary korelują ze sobą. Do porównania dwóch korelacji z tą samą zmienną służy test opisany we wpisie jak porównać dwie korelacje.

Jak opisać SCS-SF w pracy

Wzór zawiera liczby z przykładu. W nawiasach kwadratowych uzupełnij dane swojej wersji.

Ogólny schemat opisu narzędzia znajdziesz we wpisie opis narzędzia badawczego – wzór.

Licencja i polska wersja

Według FAQ na stronie autorki zgoda na użycie skal współczucia wobec siebie w badaniach jest udzielona, a kopie i informacje o uprawnieniach są na stronie dla badaczy. Dozwolone są też tłumaczenia i użycie kliniczne (Neff, b.d.). Polską adaptację wersji skróconej opublikowali Holas i in. (2024). Wersja miała zadowalającą spójność i stabilność, a CFA wskazała jeden główny czynnik. Polską adaptację pełnej SCS opisali Kocur i in. (2022), którzy potwierdzili sześć składników i możliwość wyodrębnienia czynnika głównego. Nie podajemy norm z tych publikacji. Jak przebiega adaptacja, wyjaśnia wpis adaptacja kulturowa kwestionariusza.

# B255 – SCS-SF: odwracanie pozycji, wynik ogólny (średnia 1–5), podskale, rzetelność, struktura i związek z depresją
# (dane symulowane, set.seed(25512)). 400 osób studiujących; odpowiedzi 1–5 na 12 pozycji.
# Pozycje nazwano według składników: zy – życzliwość wobec siebie, os – osądzanie siebie, wc – wspólne człowieczeństwo,
# iz – izolacja, uw – uważność, ni – nadmierna identyfikacja. W przykładzie każdy składnik ma dwie pozycje;
# numery pozycji i przypisanie do składników weź z arkusza autorów. Treści pozycji nie podajemy.
# Zasada (Neff, strona autorki): pozycje składników negatywnych (os, iz, ni) odwraca się przed liczeniem wyniku ogólnego.
suppressPackageStartupMessages({ library(psych); library(lavaan) })
set.seed(25512)
n <- 400
G <- rnorm(n); P <- rnorm(n); N <- rnorm(n)            # czynnik ogólny i specyficzne: odpowiadanie współczujące / niewspółczujące
skl <- c("zy", "os", "wc", "iz", "uw", "ni"); negat <- c("os", "iz", "ni")
poz <- setNames(lapply(skl, function(s) paste0(s, 1:2)), skl)
odp <- do.call(cbind, lapply(skl, function(s) sapply(1:2, function(k) {
  neg <- s %in% negat; S <- rnorm(n)                   # mały czynnik własny składnika
  y <- (if (neg) -0.58 else 0.58) * G + 0.40 * (if (neg) N else P) + 0.25 * S + rnorm(n, 0, 0.62)
  1 + findInterval(y, c(-1.25, -0.40, 0.40, 1.25)) })))
colnames(odp) <- unlist(poz)
depresja <- round(pmin(27, pmax(0, 8 + 3.0 * (-0.35 * G + 0.40 * N - 0.05 * P + rnorm(n, 0, 0.85)))))  # wynik 0–27 z innej skali
dane <- data.frame(id = 1:n, odp, depresja)
write.csv(dane, "../scs-sf-dane-przyklad.csv", row.names = FALSE)   # plik do pobrania

# Krok 1. Kontrola kodowania: tylko 1–5
all(sapply(dane[, unlist(poz)], function(x) all(x %in% 1:5)))

# Krok 2. Odwrócenie pozycji składników negatywnych: 6 − x (skala 1–5)
neg_poz <- unlist(poz[negat])
odw <- dane[, unlist(poz)]; odw[, neg_poz] <- 6 - odw[, neg_poz]
# kontrola: pozycja negatywna koreluje z sumą pozycji pozytywnych ujemnie przed odwróceniem, a dodatnio po nim
poz_pozyt <- unlist(poz[c("zy", "wc", "uw")])
round(c(przed = cor(dane$os1, rowSums(dane[, poz_pozyt])), po = cor(odw$os1, rowSums(odw[, poz_pozyt]))), 2)

# Krok 3. Wynik ogólny = średnia 12 pozycji po odwróceniu (1–5); podskale = średnie surowych odpowiedzi składnika
dane$SCS <- rowMeans(odw)
for (s in skl) dane[[toupper(s)]] <- rowMeans(dane[, poz[[s]]])
dane$CS  <- rowMeans(dane[, poz_pozyt])   # odpowiadanie współczujące (składniki pozytywne)
dane$UCS <- rowMeans(dane[, neg_poz])                            # odpowiadanie niewspółczujące (surowe, wyżej = więcej)
opis <- function(x) round(c(M = mean(x), SD = sd(x), Me = median(x), min = min(x), max = max(x)), 2)
t(sapply(dane[, c("SCS", "CS", "UCS", toupper(skl))], opis))
# Orientacyjne przedziały z FAQ autorki (nie normy): 1–2.49 niski, 2.5–3.49 umiarkowany, 3.5–5 wysoki
round(100 * prop.table(table(cut(dane$SCS, c(1, 2.5, 3.5, 5), right = FALSE, include.lowest = TRUE))), 1)

# Krok 4. Rzetelność: alfa wyniku ogólnego (95% CI Feldta), omega z jednoczynnikowej CFA, korelacje par w podskalach
a <- alpha(odw, warnings = FALSE)
round(c(alfa = a$total$raw_alpha, lo = a$feldt$lower.ci[[1]], hi = a$feldt$upper.ci[[1]]), 3)
m1 <- paste("SC =~", paste(names(odw), collapse = " + "))
f1 <- cfa(m1, data = odw, estimator = "MLR", std.lv = TRUE)
s1 <- standardizedSolution(f1); l <- s1$est.std[s1$op == "=~"]; th <- s1$est.std[s1$op == "~~" & s1$lhs == s1$rhs & s1$lhs %in% names(odw)]
round(sum(l)^2 / (sum(l)^2 + sum(th)), 3)
r_par <- sapply(skl, function(s) cor(dane[[poz[[s]][1]]], dane[[poz[[s]][2]]]))
round(rbind(r = r_par, Spearman_Brown = 2 * r_par / (1 + r_par)), 2)

# Krok 5. Struktura: jeden czynnik a dwa skorelowane czynniki (CS i UCS na odwróconych pozycjach), MLR
m2 <- paste("CS =~", paste(poz_pozyt, collapse = " + "), "\nUCS =~", paste(neg_poz, collapse = " + "))
f2 <- cfa(m2, data = odw, estimator = "MLR", std.lv = TRUE)
ind <- c("chisq.scaled", "df.scaled", "cfi.robust", "rmsea.robust", "srmr")
round(rbind(jeden = fitMeasures(f1, ind), dwa = fitMeasures(f2, ind)), 3)
round(lavInspect(f2, "cor.lv")[1, 2], 2)

# Krok 6. Związek z depresją: wynik ogólny, CS, UCS i sześć podskal; oba wymiary razem w regresji (β standaryzowane)
round(sapply(dane[, c("SCS", "CS", "UCS", toupper(skl))], function(x) cor(x, dane$depresja)), 2)
mr <- lm(scale(depresja) ~ scale(CS) + scale(UCS), data = dane)
round(cbind(beta = coef(mr), confint(mr))[-1, ], 2)
round(summary(mr)$r.squared, 3)

[1] TRUE
przed    po 
-0.45  0.45 
       M   SD   Me min  max
SCS 3.04 0.78 3.08   1 4.92
CS  3.03 0.86 3.00   1 5.00
UCS 2.94 0.87 3.00   1 5.00
ZY  3.04 1.00 3.00   1 5.00
OS  2.95 1.01 3.00   1 5.00
WC  3.04 0.99 3.00   1 5.00
IZ  2.95 0.96 3.00   1 5.00
UW  3.02 0.95 3.00   1 5.00
NI  2.94 0.99 3.00   1 5.00

  [1,2.5) [2.5,3.5)   [3.5,5] 
     23.5      43.2      33.2 
 alfa    lo    hi 
0.896 0.881 0.911 
[1] 0.897
                 zy   os   wc   iz   uw   ni
r              0.52 0.48 0.46 0.47 0.44 0.51
Spearman_Brown 0.68 0.65 0.63 0.64 0.61 0.68
      chisq.scaled df.scaled cfi.robust rmsea.robust  srmr
jeden      238.970        54      0.901        0.093 0.061
dwa         53.971        53      0.999        0.007 0.026
[1] 0.74
  SCS    CS   UCS    ZY    OS    WC    IZ    UW    NI 
-0.47 -0.37  0.48 -0.31  0.41 -0.34  0.43 -0.31  0.44 
            beta 2.5 % 97.5 %
scale(CS)  -0.10 -0.21   0.01
scale(UCS)  0.42  0.31   0.53
[1] 0.239

Najczęstsze błędy przy SCS-SF

• Brak odwrócenia składników negatywnych. Wynik ogólny miesza wtedy dwa przeciwne kierunki i korelacje z innymi zmiennymi słabną albo zmieniają znak.
• Suma zamiast średniej. Wynik 12–60 nie pasuje do skali 1–5 używanej przez autorkę i w literaturze.
• Sześć podskal jako zmienne główne. Przy kilku pozycjach na składnik rzetelność jest niska. Do podskal lepiej użyć pełnej SCS.
• Przedziały jako diagnoza. „Niski poziom współczucia” to orientacyjny opis, a nie kategoria kliniczna.
• Jednostronne powołanie się na spór. Jeśli analizujesz składniki pozytywne i negatywne osobno, przytocz argumenty obu stron.

Pełną ścieżkę analizy narzędzia porządkuje przewodnik po analizie kwestionariusza, a przekodowanie w różnych programach – poradnik jak policzyć wynik kwestionariusza. Jeśli chcesz, żeby ktoś sprawdził liczenie wyniku SCS-SF w Twojej bazie, skorzystaj z oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Jak policzyć wynik ogólny SCS-SF?

Odwróć pozycje trzech składników negatywnych – osądzania siebie, izolacji i nadmiernej identyfikacji – wzorem 6 − x, a potem policz średnią wszystkich 12 pozycji. Wynik ma zakres 1–5, a wyższy oznacza więcej współczucia wobec siebie. Numery pozycji każdego składnika weź z arkusza informacyjnego na stronie autorki.

Czy w SCS-SF można analizować sześć podskal?

Można je policzyć, ale przy kilku pozycjach na składnik ich rzetelność jest niska. Raes i in. (2011) zalecają wersję skróconą głównie do wyniku ogólnego, a autorzy polskiej adaptacji (Holas i in., 2024) do podskal polecają pełną SCS. Jeśli podajesz podskale, opisz je jako analizę dodatkową.

Czy wynik SCS-SF można podzielić na dwa wymiary: współczujący i niewspółczujący?

To przedmiot sporu. Muris i Petrocchi (2017) pokazali, że składniki negatywne silniej wiążą się z psychopatologią, i uważają, że wynik ogólny zawyża te związki. Neff i in. (2019) w 20 próbach nie znaleźli poparcia dla dwóch osobnych wyników, ale znaleźli je dla wyniku ogólnego i sześciu podskal. W pracy przytocz obie strony.

Co oznacza wynik 3 w skali współczucia wobec siebie?

Według FAQ autorki wynik 2.5–3.49 można nieformalnie uznać za umiarkowany, poniżej 2.5 za niski, a od 3.5 za wysoki. Formalnych norm nie ma, więc to opis orientacyjny, nie diagnoza. W analizach statystycznych używaj wyniku ciągłego.

Czy na użycie SCS-SF w pracy magisterskiej potrzebna jest zgoda?

Według FAQ na stronie Kristin Neff skal współczucia wobec siebie można używać w badaniach, a kopie i informacje o uprawnieniach są na stronie dla badaczy. Dozwolone są też tłumaczenia. Przy polskiej wersji zacytuj publikację adaptacji, z której korzystasz.

Powiązane hasła

Przeczytaj też

@article{hayes2016construct, author={Hayes, Jeffrey A. and Lockard, Allison J. and Janis, Rebecca A. and Locke, Benjamin D.}, title={{Construct validity of the Self-Compassion Scale-Short Form among psychotherapy clients}}, journal={Counselling Psychology Quarterly}, year={2016}, volume={29}, number={4}, pages={405--422}, doi={10.1080/09515070.2016.1138397}}

@article{holas2024polish, author={Holas, Paweł and Szewczuk, Juliana and Rusanowska, Marzena and Krejtz, Izabela and Jankowski, Tomasz and Nezlek, John}, title={{The Polish adaptation of the Self-Compassion Scale Short Form}}, journal={Psychiatria Polska}, year={2024}, volume={58}, number={4}, pages={637--651}, doi={10.12740/pp/172115}}

@article{kocur2022validity, author={Kocur, Dagna and Flakus, Maria and Fopka-Kowalczyk, Małgorzata}, title={{Validity and reliability of the Polish version of the Self-Compassion Scale and its correlates}}, journal={PLOS ONE}, year={2022}, volume={17}, number={5}, eid={e0267637}, doi={10.1371/journal.pone.0267637}}

@article{mcneish2018thanks, author={McNeish, Daniel}, title={{Thanks coefficient alpha, we’ll take it from here}}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}

@article{muris2017protection, author={Muris, Peter and Petrocchi, Nicola}, title={{Protection or vulnerability? A meta-analysis of the relations between the positive and negative components of self-compassion and psychopathology}}, journal={Clinical Psychology \& Psychotherapy}, year={2017}, volume={24}, number={2}, pages={373--383}, doi={10.1002/cpp.2005}}

@misc{neffwebnd, author={Neff, Kristin}, title={{Self-compassion scales for researchers}}, publisher={Self-Compassion.org}, url={https://self-compassion.org/self-compassion-scales-for-researchers/}}

@article{neff2003development, author={Neff, Kristin D.}, title={{The development and validation of a scale to measure self-compassion}}, journal={Self and Identity}, year={2003}, volume={2}, number={3}, pages={223--250}, doi={10.1080/15298860309027}}

@article{neff2019examining, author={Neff, Kristin D. and Tóth-Király, István and Yarnell, Lisa M. and Arimitsu, Kohki and Castilho, Paula and Ghorbani, Nima and Guo, Hailan Xiaoxia and Hirsch, Jameson K. and Hupfeld, Jörg and Hutz, Claudio S. and Kotsou, Ilios and Lee, Woo Kyeong and Montero-Marin, Jesus and Sirois, Fuschia M. and de Souza, Luciana K. and Svendsen, Julie L. and Wilkinson, Ross B. and Mantzios, Michail}, title={{Examining the factor structure of the Self-Compassion Scale in 20 diverse samples: Support for use of a total score and six subscale scores}}, journal={Psychological Assessment}, year={2019}, volume={31}, number={1}, pages={27--45}, doi={10.1037/pas0000629}}

@article{raes2011construction, author={Raes, Filip and Pommier, Elizabeth and Neff, Kristin D. and Van Gucht, Dinska}, title={{Construction and factorial validation of a short form of the Self-Compassion Scale}}, journal={Clinical Psychology \& Psychotherapy}, year={2011}, volume={18}, number={3}, pages={250--255}, doi={10.1002/cpp.702}}