Message self and social relevance increases intentions to share content: Correlational and causal evidence from six studies.
Notice bibliographique
Résumé
Information sharing within social networks can catalyze widespread attitudinal and behavioral change and the chance to share information with others has been characterized as inherently valuable to people. But what are the sources of value and how might they be leveraged to promote sharing? We test ideas from the value-based virality model that the value of sharing increases when people perceive messages as more relevant to themselves and to people they know, resulting in stronger intentions to share. We extend this work by considering how sharing context-broadcasting to a wide audience or narrowcasting directly to someone-may alter these relationships. Six online studies with adults in the United States (N participants = 3,727; messages = 362; message ratings = 30,954) showed robust evidence that self and social relevance are positively and uniquely related to sharing intentions within- and between-person. Specification curve analysis showed these relationships were consistent across message content (COVID-19, voting, general health, climate change), medium (social media post and news articles), and sharing context (broad- and narrowcasting). A preregistered experiment showed that manipulating the self and social relevance of messages through a framing manipulation causally increased sharing intentions. These causal effects were mediated by changes in both self and social relevance, but the relative strength of the causal pathways differed depending on sharing context. These findings extend existing models of information sharing, and highlight self and social relevance as psychological mechanisms that motivate information sharing that can be targeted to promote sharing across contexts. (PsycInfo Database Record (c) 2023 APA, all rights reserved).
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 | 0,016 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».