Laugh Yourself into a Healthier Person: A Cross Cultural Analysis of the Effects of Varying Levels of Laughter on Health
Notice bibliographique
Résumé
This cross-cultural study explored along with various personality factors the relationship between laughter and disease prevalence. Previous studies have only determined the effect of laughter on various health dimensions, whereas, this study quantified the level of laughter that was beneficial or detrimental to health. There were a total of 730 participants between the ages of eighteen and thirty-nine years. 366 participants were from Aurangabad, India (AUR), and 364 participants were from Mississauga, Canada (MISS). The participants were provided a survey assessing demographics, laughter, lifestyle, subjective well-being, life satisfaction, emotional well-being and health dimensions. In AUR, a beneficial effect of laughter was mediated through moderate levels (level two) of laughter, whereas both low (level one) and high (level three) levels had no effect. Similarly, in MISS, the beneficial effect was mediated through level two, but a negative effect was also seen at level three. This could be attributable to a higher prevalence of bronchial asthma in western countries. Laughter was associated with emotional well-being in MISS and life satisfaction in AUR, providing cross cultural models to describe the interactions between laughter and disease. This study validated the correlation between emotional well-being and life satisfaction, with a stronger correlation seen in MISS, suggesting that individualists rely more on their emotional well-being to judge their life satisfaction. In conclusion, there is a benefit to clinicians to incorporate laughter history into their general medical history taking. Future research should consider developing mechanisms to explain the effects of level two, determine specific systemic effects and obtain more samples to generalize the cross cultural differences.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».