An Empirical Analysis of Emotions of Asian Indians During the First 100 Days of COVID-19
Notice bibliographique
Résumé
India’s COVID-19 tally was almost 8 million on September 26, 2020, while the global cases marched towards 42 million. People globally have been living under some sort of COVID-19-driven lockdown, stay at home, shelter-in-place, or some similar government-mandated measures. Living in a lockdown is NOT a natural phenomenon for most humans. How are people trying to manage themselves during the restrictions imposed on them? What are the mechanisms people are resorting to, to cope with this stress? Is their heritage, cultural or national differences that are allowing one segment to react better than the other? To address the research questions presented here, we leverage the qualitative analysis technique of narrative research to understand emotions and actions of 25 people of Indian heritage (spread across India, USA & Canada) over the first 100 days of the COVID-19 pandemic and transpose the same with the Transactional Model of Stress and Coping. In this research, we present the initial findings from the ongoing study of global Indians and demonstrate that people are using a system of appraisal, response, and adaptation strategies. Both problem-focused and emotion-focused coping strategies are being leveraged, sometimes together. Reappraisal is driving a dynamic response to the evaluation and response process. Over 100 days, there is a shift from the physiological needs to the safety needs to love and belonging, and an overall shift from concern/panic to acceptance/co-existence. Practical, theoretical, and policy-related implications are discussed.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».