Personality Traits Impact Alcohol Consumption through Subjective Time
Notice bibliographique
Résumé
We aimed to investigate (1) bivariate associations between alcohol use, time perspective, temporal competency, and personality traits; (2) the extent to which different temporal scales predicted alcohol use in order to select constructs most related to alcohol use; and (3) the most related temporalities as mediators between personality traits and alcohol use. French ( n = 389) and Canadian ( n = 478) college students responded to questionnaires online. Analyses included (1) correlations between measures; (2) three multiple regressions in which different sets of temporalities (ZTPI, TCT-5D, a combination of scales) predicted alcohol use; (2) five multiple parallel mediator models, in which one big-5 trait was entered as a distal factor leading to alchol use through the parallel mediators of temporalities. Most temporal dimensions were correlated with alcohol use and a unique set of personality traits. The combination of temporal scales (past negative, present hedonist, anticipation, temporal rupture) predicted alcohol use better than any other instrument. All personality traits explained alcohol use through different sets of temporalities. Cases of indirect only and competitive mediation were observed. Personality traits explained alcohol consumption through the multiple parallel mediators of temporalities. In some cases (neuroticism, openness and agreeableness) temporalities had to be taken into account in order to observe an effect of personality on alcohol use which helps explain inconsistencies in the literature. Future work may benefit from taking into account combinations of temporal dimensions in order to best explain (drinking) behaviors, including but not limited to the Zimbardo Time Perspective Inventory.
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) | 0,318 | 0,157 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».