Using prosocial behavior to safeguard mental health and foster emotional well-being during the COVID-19 pandemic: A registered report of a randomized trial
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic, the accompanying lockdown measures, and their possible long-term effects have made mental health a pressing public health concern. Acts that focus on benefiting others-known as prosocial behaviors-offer one promising intervention that is both flexible and low cost. However, neither the range of emotional states prosocial acts impact nor the size of those effects is currently clear-both of which directly influence its attractiveness as a treatment option. OBJECTIVE: To assess the effect of prosocial activity on emotional well-being (happiness, belief that one's life is valuable) and mental health (anxiety, depression). METHODS: 1,234 respondents from the United States and Canada were recruited from Amazon's Mechanical Turk and randomly assigned (by computer software) to perform prosocial (N = 411), self-focused (N = 423), or neutral (N = 400) behaviors three times a week for three weeks. A follow-up assessment was given two weeks after the intervention. Participants were blind to alternative conditions. Analyses were based on 1052 participants (Nprosocial = 347, Nself = 365, Nneutral = 340). FINDINGS: Those in the prosocial condition did not differ on any outcome from those in the self-focused or neutral acts conditions during the intervention or at follow-up, nor did prosocial effects differ for those who had been negatively affected socially or economically by the pandemic (all p's > 0.05). Exploratory analyses that more tightly controlled for study compliance found that prosocial acts reduced anxiety relative to neutral acts control (β = -0.12 [95% CI: -0.22 to -0.02]) and increased the belief that one's life is valuable (β = 0.11 [95% CI: 0.03 to 0.19]). These effects persisted throughout the intervention and at follow-up. CONCLUSION: Prosocial acts may provide small, lasting benefits to emotional well-being and mental health. Future work should replicate these results using tighter, pre-registered controls on study compliance.
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 | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».