Why did I say sorry? Apology motives and transgressor perceptions of reconciliation
Notice bibliographique
Résumé
Summary Despite the importance of apology in reconciling interpersonal transgressions, little research has focused on the people engaging in the behavior. Why do transgressors apologize in the workplace, and do apology motives shape transgressor perceptions of reconciliation? We conducted three field studies using qualitative and quantitative methodologies to examine these questions. In Studies 1 and 2 (total N = 781), we identified four distinct apology motives—self‐blame, relational value, personal expedience, and fear of sanctions—and developed self‐report scales to measure the motives. In Study 3 ( N = 420), we examined relations between apology motives and transgressor perceptions of victim forgiveness and relationship reconciliation through the lens of motivated cognition. We found that apologizing due to self‐blame, relational value, and personal expedience increases perceptions of victim forgiveness, whereas apologizing due to fear of sanctions decreases perceived forgiveness. Moreover, mediation analyses revealed that motives indirectly influence transgressor perceptions of relationship reconciliation through perceived forgiveness. Taken together, our research presents a novel multidimensional perspective on apology‐giving in the workplace, suggesting that why transgressors apologize can affect their perceptions of reconciliation. Overall, our research highlights the need to incorporate transgressor cognitive and motivational processes into reconciliation research.
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 | 0,000 | 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) | 0,009 | 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 ».