A Positive Empathy Intervention to Improve Well-being on Instagram
Notice bibliographique
Résumé
With more than half the global population on social media, there is a critical need to understand how to engage it in a way that improves rather than worsens user well-being. Here, we show that positive empathy is a promising tool. Participants who received brief positive empathy instructions before 10 minutes of browsing their own Instagram feed showed greater affective well-being (Studies 1-4) and life satisfaction (Study 4) at post-test relative to participants who were instructed to browse as usual. The positive empathy intervention showed an average effect size on well-being of about a quarter of a standard deviation (mean Cohen’s d = 0.25). We included unique active-control groups in each study. We found using positive empathy on social media was about as beneficial to well-being as watching a nature video (Study 1, N = 298) and was better than instructions to focus on positive content (Study 2, N = 302), empathize with all emotions (Study 3, N = 301) or reappraise one’s own emotions (Study 4, N = 426). We used structural equation modeling to demonstrate the effect of the intervention on subjective well-being is mediated by changes in positive emotion sharing, appreciative joy, and self-compassion. These experiences form a latent factor we term positive empathy. Our results show that a brief intervention successfully manipulates positive empathy on Instagram, which increases well-being.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».