Psychological Defensiveness as a Mechanism Explaining the Relationship Between Low Socioeconomic Status and Religiosity
Notice bibliographique
Résumé
Abstract People who are low in socioeconomic status (SES) are more likely to be religious than their higher status counterparts; however, little research has tested the mechanisms for this relationship. Using data from 90 diverse societies and multilevel path analysis, we replicated findings that individuals low in SES are more religious and furthermore found that in wealthy countries this relationship was mediated by a measure of psychological defensiveness even while controlling for participants' sense of financial insecurities. These results suggest that religious belief may play a psychologically protective role for low SES individuals, independent of realistic economic concerns. Notes 1List of regions and sample sizes in alphabetical order: Albania (n = 1,999), Algeria (n = 1,282), Andorra (n = 1,003), Argentina (n = 2,359), Armenia (n = 2,000), Australia (n = 3,469), Azerbaijan (n = 2,002), Bangladesh (n = 3,025), Belarus (n = 2,092), Bosnia and Herzegovina (n = 2,400), Brazil (n = 2,649), Bulgaria (n = 2,073), Burkina Faso (n = 1,534), Canada (n = 4,095), Chile (n = 3,200), China (n = 2,015), Colombia (n = 9,050), Croatia (n = 1,003), Cyprus (n = 1,050), Czech Republic (n = 1,147), Dominican Republic (n = 417), Egypt (n = 6,051), El Salvador (n = 1,254), Estonia (n = 1,021), Ethiopia (n = 1,500), Finland (n = 2,001), France (n = 1,001), Georgia (n = 3,508), Germany (n = 4,090), Ghana (n = 1,534), Great Britain (n = 1,041) Guatemala (n = 1,000), Hong Kong (n = 1,252), Hungary (n = 1,000), Iceland (n = 968), India (n = 6,043), Indonesia (n = 3,019), Iran (n = 5,199), Iraq (n = 5,026), Ireland (n = 1,012), Israel (n = 1,199), Italy (n = 1,012), Japan (n = 2,458), Jordan (n = 1,223), Kyrgyzstan (n = 1,043), Latvia (n = 1,200), Lithuania (n = 1,009), Luxembourg (n = 1,211), Macedonia (n = 2,050), Malaysia (n = 1,201), Mali (n = 1,534), Mexico (n = 5,459), Moldova (n = 3,038), Morocco (n = 3,464), Netherlands (n = 1,050), New Zealand (n = 2,155), Nigeria (n = 4,018), Norway (n = 2,152), Pakistan (n = 2,733), Peru (n = 4,212), Philippines (n = 1,200), Poland (n = 1,000), Puerto Rico (n = 1,884), Romania (n = 3,015), Russian Federation (n = 4,073), Rwanda (n = 1,507), Saudi Arabia (n = 1,502), Serbia (n = 1,220), Serbia and Montenegro (n = 3,780), Singapore (n = 1,512), Slovakia (n = 1,331), Slovenia (n = 1,037), South Africa (n = 8,923), South Korea (n = 2,400), Spain (n = 4,820), Sweden (n = 2,012), Switzerland (n = 2,453), Taiwan (n = 2,007), Tanzania (n = 1,171), Thailand (n = 1,534), Trinidad and Tobago (n = 1,002), Turkey (n = 7,860), Uganda (n = 1,002), Ukraine (n = 3,811), United States (n = 3,991), Uruguay (n = 2,000), Venezuela (n = 2,400), Vietnam (n = 2,495), Zambia (n = 1,500), Zimbabwe (n = 1,002). 2The data can also be conceptualized as three levels, with participants on the first level, waves on the second level, and countries on the third level. Unfortunately, the sample size on the second level is too small to effectively estimate these values (second level n ranges 1–3). To address this problem we analyzed the data using country-wave combinations as the level-2 unit of analysis, and the results produced identical conclusions as those reported here.
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 | 0,003 | 0,001 |
| 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 | 0,001 | 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 ».