Social competence in the context of friendship during emerging adulthood: Conceptualization, measurement, and links with social adjustment
Notice bibliographique
Résumé
Les amitiés constituent une source de soutien cruciale au cours de l’émergence de la vie d’adulte (18-25 ans; Arnett, 2000). On connaît toutefois peu au sujet des compétences requises pour développer et maintenir des amitiés à cet âge. Cette thèse font progresser notre compréhension des façons dont les adultes émergents traversent les défis interpersonnels qui se mettent en place avec des amis du même genre. L’article 1 décrit le développement d’un instrument visant à mesurer les compétences sociales des adultes émergents au sein de leurs amitiés. Il comporte cinq études impliquant 747 participants qui soulignent: 1) les situations que vivent les adultes émergents dans le contexte de leurs amitiés du même genre, 2) les comportements auxquels ils ont recours pour gérer ces situations, et 3) quels types de comportements sont jugés compétents. Dans l’Étude 1, 100 bacheliers (Mâge = 20.41, s = 1.44) ont décrit les défis auxquels ils ont fait face dans leurs amitiés. Nous avons codé ces situations selon trois thème (Transgressions, Conflits, Soutien). Dans l’Étude 2, nous avons identifié les situations les plus communes, déterminantes et difficiles en fonction des scores de 200 étudiants (Mâge = 20.24, s = 1.42). Les Transgressions étaient cotées comme étant moins fréquentes, mais elles étaient plus déterminantes que les Conflits et Soutien. Les femmes ont coté les situations comme étant plus difficiles et déterminantes que les hommes. Dans l’Étude 3, 179 étudiants (Mâge = 20.42, s = 1.54) ont rapporté comment ils répondraient à ces situations. Nous avons codé les comportements selon les catégories suivantes: 1) agression verbale, 2) atteinte aux relations/réputation, 3) mettre fin à l’amitié, 4) distancer, 5) cloisonner, 6) ne rien faire– aucune tentative pour changer, 7) ne rien faire– tenter de changer, 8) demander une explication, 9) énoncer qu’un ami a franchi des limites, 10) mentir, 11) s’excuser, et 12) offrir du soutien/réparer. Dans l’Étude 4, 105 étudiants (Mâge = 20.00, s = 1.34) ont évalué l’efficacité des stratégies. S’excuser et offrir du soutien/réparer ont été évaluées comme étant les plus efficaces, alors que mettre fin à l’amitié et l’agression verbale et relationnelle étaient étant les moins efficaces. Les hommes ont évalué les comportements agressifs et évitants et le cloisonnement comme plus efficaces que les femmes. L’Étude 5 démontrent l’utilité de l’instrument développé (Inventory of Friendship Skills for Emerging Adults) à travers les associations entre les réponses des étudiants (N = 163; Mâge = 19.72, s = 1.28) à ce questionnaire ainsi qu’à d’autres instruments portant sur leur fonctionnement interpersonnel. Dans l’Article 2, nous avons examiné les buts et réponses des étudiants (N = 179; Mâge = 20.42, SD = 1.54) aux situations où un ami a commis une transgression. Nous avons étudié: 1) les associations entre les buts et les stratégies et a) la qualité de l’amitié et b) le genre, et 2) si les buts et stratégies variaient en fonction du type de transgression. Les liens entre les buts et stratégies et la qualité des amitiés suggèrent plusieurs compétences qui pourraient être associées avec des amitiés positives: Viser à exprimer ses propres besoins peut être important, alors que des buts de vengeance et les comportements agressifs semblent être néfastes. Les hommes étaient plus susceptibles à rapporter de l’agressivité relationnelle et un comportement évitant, alors que les femmes étaient plus susceptibles d’adopter des buts et comportements affirmatifs. Les buts et les comportements variaient selon le type de transgression. Cette thèse contribue à notre compréhension des stratégies qui sont perçues comme étant socialement adaptées pour gérer les défis des amitiés et les façons dont les comportements varient en fonction du genre. Cette thèse apporte une compréhension plus riche de comment les adultes émergents ont des difficultés sur le plan social, et donc offre des cibles importantes pour intervenir
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».