MétaCan
Menu
Retour à la cohorte
Enregistrement W3103951359 · doi:10.1016/j.paid.2020.110535

Intergenerational conflicts of interest and prosocial behavior during the COVID-19 pandemic

2020· article· en· W3103951359 sur OpenAlexfundno aff
Shuxian Jin, Daniel Balliet, Angelo Romano, Giuliana Spadaro, Caspar J. Van Lissa, Maximilian Agostini, Jocelyn J. Bélanger, Ben Gützkow, Jannis Kreienkamp, Georgios Abakoumkin, Jamilah Hanum Abdul Khaiyom, Vjollca Ahmedi, Handan Akkaş, Carlos A. Almenara, Anton Kurapov, Mohsin Atta, Sabahat Çiğdem Bağci, Sima Basel, Edona Berisha Kida, Nicholas R. Buttrick, Phatthanakit Chobthamkit, Hoon‐Seok Choi, Mioara Cristea, Sára Csaba, Kaja Damnjanović, Ivan Danyliuk, Arobindu Dash, Daniela Di Santo, Karen M. Douglas, Violeta Enea, Daiane Gracieli Faller, Gavan J. Fitzsimons, Alexandra Gheorghiu, Ángel Gómez, Qing Han, Mai Helmy, Joevarian Hudiyana, Bertus F. Jeronimus, Ding–Yu Jiang, Veljko Jovanović, Željka Kamenov, Anna Kende, Shian‐Ling Keng, Tra Thi Thanh Kieu, Yasin Koç, Kamila Kovyazina, Inna Kozytska, Joshua Krause, Arie W. Kruglanski, Maja Kutlaca, Nóra Anna Lantos, Edward P. Lemay, Cokorda Bagus Jaya Lesmana, Winnifred R. Louis, Adrian Lueders, Najma Iqbal Malik, Antón P. Martínez, Kira O. McCabe, Jasmina Mehulić, Mirra Noor Milla, Idris Mohammed, Erica Molinario, Manuel Moyano, Hayat Muhammad, Silvana Mula, Hamdi Muluk, Solomiia Myroniuk, Reza Najafi, Claudia F. Nisa, Boglárka Nyúl, Paul A. O’Keefe, José Javier Olivas Osuna, Evgeny Osin, Joonha Park, Gennaro Pica, Antonio Pierro, Jonas Rees, Anne Margit Reitsema, Elena Resta, Marika Rullo, Michelle K. Ryan, Adil Samekin, Pekka Santtila, Edyta Sasin, Birga M. Schumpe, Heyla A. Selim, Michael Stanton, Wolfgang Stroebe, Samiah Sultana, Robbie M. Sutton, Eleftheria Tseliou, Akira Utsugi, Jolien van Breen, Kees van Veen, Michelle R. van Dellen, Alexandra Vázquez, Robin Wollast, Victoria Wai Lan Yeung, Somayeh Zand, Iris Žeželj, Bang Zheng, Andreas Zick, Claudia Zúñiga, N. Pontus Leander

Notice bibliographique

RevuePersonality and Individual Differences · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMisinformation and Its Impacts
Établissements canadiensnon disponible
Organismes subventionnairesYork UniversityNederlandse Organisatie voor Wetenschappelijk OnderzoekInstituto de Salud Carlos IIIChina Scholarship CouncilRijksuniversiteit GroningenNew York University Abu Dhabi
Mots-clésProsocial behaviorPandemicPsychologySocial distanceCoronavirus disease 2019 (COVID-19)Social psychologyDiseaseInfectious disease (medical specialty)Medicine

Résumé

récupéré en direct d'OpenAlex

The COVID-19 pandemic presents threats, such as severe disease and economic hardship, to people of different ages. These threats can also be experienced asymmetrically across age groups, which could lead to generational differences in behavioral responses to reduce the spread of the disease. We report a survey conducted across 56 societies (N = 58,641), and tested pre-registered hypotheses about how age relates to (a) perceived personal costs during the pandemic, (b) prosocial COVID-19 responses (e.g., social distancing), and (c) support for behavioral regulations (e.g., mandatory quarantine, vaccination). We further tested whether the relation between age and prosocial COVID-19 responses can be explained by perceived personal costs during the pandemic. Overall, we found that older people perceived more costs of contracting the virus, but less costs in daily life due to the pandemic. However, age displayed no clear, robust associations with prosocial COVID-19 responses and support for behavioral regulations. We discuss the implications of this work for understanding the potential intergenerational conflicts of interest that could occur during the COVID-19 pandemic.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,419
Score d'incertitude au seuil0,451

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,381
Tête enseignante GPT0,381
Écart entre enseignants0,001 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations66
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePersonality and Individual DifferencesMême sujetMisinformation and Its ImpactsTravaux en français237 207