Social Influence and Proenvironmental Behavior: The Reflexive Layers of Influence Framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Social influence can be an important factor in the adoption of proenvironmental behaviors and technologies. Processes of social influence can be varied and complex yet are often represented or discussed in a simplified, aggregated manner. To facilitate more nuanced study of social influence, we draw from a literature review and empirical observation to propose a conceptual behavioral framework that integrates three processes of interpersonal influence; we call this the reflexive layers of influence (RLI) framework. RLI proposes three generally successive and iterative ‘layers’ of the consumer's relation to a new technology (or practice): awareness, assessment, and alignment with self-concept. These layers are antecedents to, and potentially consequences of, adoption and use of proenvironmental technology. Social influence follows different processes at each layer. Awareness is influenced by the diffusion of simple, functional information. The consumer forms an assessment, at least in part, through translating the technology's attributes into specific benefits (or disbenefits). Through reflexivity, the translated assessment of the technology is framed in terms of maintaining, developing, or altering self-concept according to perceptions of others' behaviors and values. We illustrate RLI through application to three case studies of households participating in a multiweek trial of a plug-in hybrid electric vehicle—demonstrating that the consumer's self-concept, perceptions, and behavior can change substantially according to the social processes represented by RLI. We conclude with policy implications and discuss future hypotheses and priorities for research.
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.
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 | 0,001 | 0,001 |
| 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 découle