Heterogeneity of long-history migration explains cultural differences in reports of emotional expressivity and the functions of smiles
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
A small number of facial expressions may be universal in that they are produced by the same basic affective states and recognized as such throughout the world. However, other aspects of emotionally expressive behavior vary widely across culture. Just why do they vary? We propose that some cultural differences in expressive behavior are determined by historical heterogeneity, or the extent to which a country's present-day population descended from migration from numerous vs. few source countries over a period of 500 y. Our reanalysis of data on cultural rules for displaying emotion from 32 countries [n = 5,340; Matsumoto D, Yoo S, Fontaine J (2008) J Cross Cult Psychol 39(1):55-74] reveals that historical heterogeneity explains substantial, unique variance in the degree to which individuals believe that emotions should be openly expressed. We also report an original study of the underlying states that people believe are signified by a smile. Cluster analysis applied to data from nine countries (n = 726), including Canada, France, Germany, India, Indonesia, Israel, Japan, New Zealand, and the United States, reveals that countries group into "cultures of smiling" determined by historical heterogeneity. Factor analysis shows that smiles sort into three social-functional subtypes: pleasure, affiliative, and dominance. The relative importance of these smile subtypes varies as a function of historical heterogeneity. These findings thus highlight the power of social-historical factors to explain cross-cultural variation in emotional expression and smile behavior.
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 | 0,000 | 0,002 |
| 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