Emotional Expressivity in Older and Younger Adults' Descriptions of Personal Memories
Notice bibliographique
Résumé
UNLABELLED: BACKGROUND/STUDY CONTEXT: According to the socioemotional selectivity theory (SST; Mather & Carstensen, 2003, Psychological Sciences, 14, 409-415), aging is associated with greater motivation to regulate emotions. The authors propose that the language people use to describe personal memories provides an index of age differences in emotional self-regulation. METHODS: In the present article, the authors reanalyzed three previously published studies in which older (aged 60-88) and younger (aged 17-33) participants described emotional and neutral memories from their recent and distant pasts. The authors analyzed the language of the memories using Pennebaker, Booth, and Francis's (2007) Linguistic Inquiry Word Count program (Austin, TX: LIWC Inc.), which calculates the percentage of positive and negative emotion words. RESULTS: In Studies 1 and 2, older adults used more positive emotion words than did younger adults to describe their autobiographical memories from the recent past, particularly when these were of a neutral valence. In Study 3, older adults used more positive emotion words when describing more recent memories (from the past 5 years) but not when describing distant childhood or adolescent memories. CONCLUSION: The authors suggest that these age differences in emotional expressivity support SST, and represent an as-yet unreported age difference that may stem from differences in motivation to regulate emotion.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».