Knowing how you see me: Exploring meta‐accuracy of personality, emotions and values and their links with relationship well‐being among young adults
Notice bibliographique
Résumé
INTRODUCTION: Do people (i.e., metaperceivers) know their romantic partners' (i.e., perceivers') impressions, displaying meta-accuracy? Is it related to relationship well-being? We explored two components of meta-accuracy: (1) positive meta-accuracy (i.e., knowing the perceiver's positive impressions of the metaperceiver), and (2) distinctive meta-accuracy (i.e., knowing the perceiver's unique impressions of the metaperceiver). First, we compared baseline levels of each component across three domains (personality, emotions, values), and, second, examined and compared their links with relationship well-being. METHOD: A sample of 205 romantic couples were recruited. The Social Accuracy Model was adapted for analyses. RESULTS: Metaperceivers displayed both positive and distinctive meta-accuracy across all domains, and displayed greater positive emotion meta-accuracy and distinctive personality meta-accuracy compared to the other domains. Positive meta-accuracy, in general, was related to metaperceivers' relationship well-being and distinctive meta-accuracy, in general, was related to relationship well-being for metaperceivers and perceivers. Further, positive personality meta-accuracy was associated with relationship well-being for metaperceivers, and positive emotion meta-accuracy was associated with relationship well-being for metaperceivers and perceivers. CONCLUSION: Overall, the present research broadens the meta-accuracy literature by expanding it to a novel domain (values) and highlighting the relative contributions of domains that has been previously explored in isolation (personality and emotions).
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».