Mental Illness Stigma and Microaggressions: An Experimental Study of Familiarity and Relationship Quality
Notice bibliographique
Résumé
Abstract Purpose: Familiarity (i.e., relationship closeness) and relationship quality (i.e., the degree of negativity/positivity) have been suggested as critical components affecting stigmatizing attitudes towards those with mental illnesses. The current study experimentally tested components of, and expanded upon, a recent theoretical framework by Corrigan and Nieweglowski (2019), which proposes a convex (u-shaped) curvilinear relationship between familiarity and stigma (i.e., people hold the most stigma towards others at the lowest andhighest levels of familiarity) rather than a linear one (i.e., stigma simply decreases as familiarity increases). By examining how both familiarity and relationship quality affect public stigma broadly, as well as microaggressions specifically, this research adds to the growing body of literature on mental illness stigma. Methods: Undergraduate students (N = 242) were randomly assigned to read one of six vignettes via a 2(quality: positive vs. negative) x 3(familiarity: co-worker, cousin, romantic partner) between-subjects factorial design. Following, participants completed measures assessing stigmatizing attitudes and microaggression endorsement towards the vignette character. Results: There was a significant main effect of relationship quality on stigmatizing attitudes only; on average, those in the three negative conditions had significantly higher stigmatizing attitudes than those in the positive conditions. Conversely, familiarity only had a significant main effect on microaggressions, wherein higher familiarity groups demonstrated higher microaggression endorsement. No significant interactions were found for either variable. Conclusion: These results suggest that stigmatizing attitudes and microaggressions may be functionally different, and further research is required to clarify current theoretical frameworks in understanding how relational contexts impact these negative attitudes.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,009 | 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 ».