Valence explains how and why positive affects and negative affects correlate: A conceptual replication and extension of Diener et al.’s (1995) the personality structure of affect.
Notice bibliographique
Résumé
Diener et al. (1995) used a multimethod approach to test a hierarchical model of trait affect. The model suggests that specific trait affects are related to each other by two, distinct, but negatively correlated factors. We report the results of a conceptual replication study that addressed several limitations of Diener et al.'s (1995) study. We used three ethnically diverse samples which included a group of undergraduates along with both of their biological parents. As such, in terms of generalizability, we improved upon the original study which was limited to a student sample by also including middle-aged adults as targets. Most importantly, we included measures of hedonic tone to validate the interpretation of the higher-order factors as positive affect and negative affect. Also, we did not average informant ratings to model individual rating biases. Further, we used item-level indicators rather than item averages as indicators of basic affects. Our results confirm Diener et al.'s (1995) model and demonstrate that positive trait affect and negative trait affect are negatively correlated and account for the covariance among specific affects. We discuss the implications of these results in the context of personality theories that consider positive trait affect and negative trait affect as independent factors related to extraversion and neuroticism, respectively (Costa & McCrae, 1980). We argue that this model cannot account for the negative correlation between positive affect and negative affect and that further research is needed to locate affect within the Big Five model of personality. (PsycInfo Database Record (c) 2024 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 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) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».