Limiting fear and anger responses to anger expressions
Notice bibliographique
Résumé
Purpose The purpose of this study is to test how individuals’ emotion reactions (fear vs anger) to expressed anger influence their intended conflict management styles. It investigates two interventions for managing their reactions: hot vs cold processing and enhancing conflict self-efficacy. Design/methodology/approach Hypotheses were tested in two experiments using an online simulation. After receiving an angry or a neutral message from a coworker, participants either completed a cognitive processing task (E1) or a conflict self-efficacy task (E2), and then self-reported their emotions, behavioral activation/inhibition and intended conflict management styles. Findings Fear is associated with enhanced behavioral inhibition, which results in greater intentions to avoid and oblige and lower intentions to dominate. Anger is associated with enhanced behavioral activation, which results in greater intentions to integrate and dominate, as well as lower intentions to avoid and oblige. Cold (vs hot) processing does not reduce fear or reciprocal anger but increasing individuals’ conflict self-efficacy does. Research limitations/implications The studies measured intended reactions rather than behavior. The hot/cold manipulation effect was small, potentially limiting its ability to diminish emotional responses. Practical implications These results suggest that increasing employees’ conflict self-efficacy can be an effective intervention for helping them manage the natural fear and reciprocal anger responses when confronted by others expressing anger. Originality/value Enhancing self-efficacy beliefs is more effective than cold processing (stepping back) for managing others’ anger expressions. By reducing fear, enhanced self-efficacy diminishes unproductive responses (avoiding, obliging) to a conflict.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».