MétaCan
Menu
Retour à la cohorte
Enregistrement W2733730667 · doi:10.1093/geroni/igx004.3894

STEREOTYPE THREAT EFFECTS ON OLDER ADULTS’ MEMORY: A META-ANALYSIS

2017· article· en· W2733730667 sur OpenAlexaff
Lu Yi Li, Khushboo S. Patel, Barbara Nachtrieb Armstrong, Sara N. Gallant, Bonny Yee-Man Wong

Notice bibliographique

RevueInnovation in Aging · 2017
Typearticle
Langueen
DomainePsychology
ThématiqueHealth and Well-being Studies
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésStereotype threatPsychologyMeta-analysisStereotype (UML)Cognitive psychologySocial psychologyDevelopmental psychologyMedicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

Stereotype threat describes instances in which an individual is at risk of confirming negative stereotypes about a group they identify with. In line with this, research suggests that exposure to negative age-based stereotypes can undermine the cognitive performance of older adults. The objective of the current meta-analytic review was to determine the magnitude of age-based stereotype threat effects on older adults’ memory. Results revealed a significant and robust effect of stereotype threat induction on older adults’ memory performance across reviewed studies. Specifically, when exposed to negative aging stereotypes, older adults showed consistent decrements in memory relative to control groups. The moderating roles of various demographic and methodological characteristics on stereotype threat effects will be discussed. Overall, these findings have implications for the interpretation of memory performance on lab-based memory tests and how self-perceptions of aging can influence test results..

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,376
Score d'incertitude au seuil0,487

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,397
Écart entre enseignants0,324 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInnovation in AgingMême sujetHealth and Well-being StudiesTravaux en français237 207