Proficiency in positive vs. negative emotion identification and subjective well-being among long-term married elderly couples
Notice bibliographique
Résumé
Evidence is accruing that positive emotions play a crucial role in shaping a healthy interpersonal climate. Inspired by this research, the current investigation sought to shed light on the link between proficiency in identifying positive vs. negative emotions and a close partner's well-being. To this end, we conducted two studies with neurologically intact elderly married couples (Study 1) and an age-matched clinical sample, comprising married couples in which one spouse had been diagnosed with Parkinson's Disease (Study 2), which tends to hinder emotional expressivity. To assess proficiency in identifying emotions from whole body postures, we had participants in both studies complete a pointlight walker task, featuring four actors (two male, two female) expressing one positive (i.e., happiness) and three negative (i.e., sadness, anger, fear) basic emotions. Participants also filled out measures of subjective well-being. Among Study 1's neurologically intact spouses, greater expertise in identifying positive (but not negative) emotions was linked to greater partner life satisfaction (but not hedonic balance). Spouses of PD patients exhibited increased proficiency in identifying positive emotions relative to controls, possibly reflective of compensatory mechanisms. Complementarily, relative to controls, spouses of PD patients exhibited reduced proficiency in identifying negative emotions and a tendency to underestimate their intensity. Importantly, all of these effects attenuated with longer years from PD onset. Finally, there was evidence that it was increased partner expertise in identifying negative (rather than positive) emotional states that predicted greater life satisfaction levels among the PD patients and their spouses. Our results thus suggest that positive vs. negative emotions may play distinct roles in close relationship dynamics as a function of neurological status and disability trajectory.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».