Should We Approach Approach and Avoid Avoidance? An Inquiry from Different Levels
Notice bibliographique
Résumé
Approach motivation (striving for desired end-states, eagerly focusing on where one wants to be) is often held up as the best type of motivation: It feels good and is associated with many positive outcomes. Indeed, a common perception is that regulation in terms of approach motivation is almost always better than regulation in terms of avoidance motivation. However, as we discuss, this conclusion is worthy of a deeper look. We consider how approach and avoidance motivation manifest at different levels in a self-regulatory hierarchy and how this can help us understand the upsides and downsides of both approach and avoidance motivation. In other words, approach motivation is not always beneficial and avoidance motivation is not always problematic. Understanding these trade-offs involves a consideration of which level in the hierarchy approach or avoidance is manifested, what types of outcomes are being examined (the experience of regulation vs. performance), and how the approach or avoidance regulation fits or does not fit with an individual’s broad concerns or specific situational demands. Furthermore, a hierarchical approach helps make sense of behaviors that reflect simultaneous approach and avoidance tendencies, such as tactical approach to remove (avoid) a threat, providing a dynamic and nuanced view of motivation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».