Reported Causal Antecedents of Discrete Emotions in Late Life
Notice bibliographique
Résumé
Valuable insights about emotional well-being can be learned from studying older adults who have wrestled with differentiating and regulating their emotions while they navigate through the many joys and traumas of a lifetime. Our objective was to document the underlying reasons for older adults' (n = 353, ages 72 -99) emotional experiences. Using a phenomenological approach, we identified participants' reported reasons (i.e., antecedents) for a broad variety of positive and negative emotions, classifying them into thematic categories through a content analysis. The array of thematic categories that emerged for some emotions was more differentiated than for others. For example, 14 antecedent categories were required to account for the emotion of happiness; whereas, only 4 categories were needed to capture all antecedents for anger. Our analysis provided a rich description of what older adults report as the causes of their emotions, showing that later life is characterized as a time when the loss of love ones elicits sadness, self-limitations elicit frustration, and others' transgressions elicit anger. Yet, our data show that old age can be portrayed even more so as a time when a variety of positive emotions are elicited by social factors (interactions and relationships), achievements, and personal attributes. Finally, in an analysis of the most common antecedents for pride (accomplishments) and anger (other's transgression), we suggest that pride over accomplishments is most likely elicited by internal attributions to skill and effort; whereas, anger over others' transgressions is most likely elicited by controllable attributions to the transgressor's inconsiderate or offensive behavior. Overall, this shows the utility of applying Weiner's attributional framework (Weiner, 1985) to an analysis of emotion antecedents in late life.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».