Understanding university students’ conceptualizations and perceptions of kindness: A mixed methods study
Notice bibliographique
Résumé
Attending university can present a host of challenges for undergraduate students and the mental health of students has increasingly become a concern as students struggle to meet the demands of new academic and social expectations. Despite several studies assessing the effects of being kind on well-being, there remains a dearth of research identifying how students understand and enact kindness. The aims of this study were to integrate a kindness assignment into undergraduate coursework, to explore how students define and enact kindness, and to examine how being kind impacted students’ perceptions of themselves, their peers, and their campus. Students were asked to complete a series of five kind acts and administered a series of pre- and post-assignment measures and open-ended prompts. Consistent with our hypotheses, participants who completed at least 3 of the 5 planned acts of kindness reported significantly higher scores on measures of in-person kindness (d = 0.46, p = .04) and peer connectedness (d = 0.46, p = .04). Participants did not, however, report significantly higher scores on measures of self-perceived online kindness (d = 0.12, p = .59) or on their perception of the kindness of their campus community (d = 0.09, p = .68). Participants in this study planned a total of 492 acts, which were coded using content analysis. The salient themes in kind acts were Helping Others, Giving, Demonstrating Appreciation, and Communicating. This study demonstrated that a curriculum-based kindness intervention was well received by students and resulted in students performing varied acts of kindness that positively impacted their self-ratings of kindness and peer connectedness.
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 | 0,000 | 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) | 0,001 | 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 ».