Cultural variation in social judgments of smiles: The role of ideal affect.
Notice bibliographique
Résumé
While significant research has demonstrated that people's beliefs about a group shape how they judge members of that group, few studies have examined whether people's beliefs and values regarding emotion (their "ideal affect") shape how they socially judge people's emotional facial expressions. We predicted that the more people valued and ideally wanted to feel excitement and other high arousal positive states (HAP), the more affiliative (extraverted, agreeable) they would judge excited (vs. calm) faces. Moreover, because European Americans typically value HAP more than Hong Kong Chinese do, we predicted that European Americans would rate excited (vs. calm) targets as more affiliative than would Hong Kong Chinese. We found consistent support for these hypotheses in four studies. In Studies 1a and 1b, these effects held regardless of target race (White, Asian) and target sex (male, female); emerged for human as well as computer-generated faces; and did not consistently emerge for nonaffiliative social judgments (i.e., dominance, competence). In Studies 2 and 3, we replicated these findings in more realistic contexts. In Study 2, culture and ideal affect predicted participants' extraversion judgments of excited Facebook profiles. In Study 3, culture and ideal affect predicted participants' extraversion and agreeableness judgments of an excited job applicant, which increased their likelihood of hiring that applicant. Together, these findings suggest that people's culture and ideal affect shape how affiliative they judge excited (vs. calm) smiles. We discuss the role these processes may play in perpetuating biases in multicultural settings. (PsycINFO Database Record (c) 2019 APA, all rights reserved).
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 | 0,001 | 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 | 0,000 |
| 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 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 ».