Notice bibliographique
Résumé
Abstract A novel intervention to increase water-conserving behavior was developed and tested. Behavior-change interventions range from information-based, where individuals have full control over whether they act on the provided information, to forcing/automation, where individuals have no control over the desired behavior. This study’s intervention was devised to be more forceful than providing information alone, but unlike forcing/automation, still allows individuals to control whether they perform the desired behavior. While resource-conservation strategies tend to target resource intake, the studied intervention examines whether limiting resource waste outflow can also limit resource intake. Specific to water, this study explored whether reducing wastewater outflow, causing accumulation, can reduce water inflow. Data were collected online using simulations of handwashing at a sink, which had different sink-outflow rates. Amazon Mechanical Turk workers completed three randomly ordered handwashing simulations. Study participants (n = 72) significantly reduced simulated consumption of water when it accumulated quickly in the sink (p < 0.001). Participants reduced simulated water consumption, on average by 14% at lower outflow rates, as they decreased inflow rates to prevent sink overflow. In contrast to informational interventions that rely on user motivation, reducing outflow significantly decreased simulated water usage, independent of participant-reported performance of other pro-environmental behaviors. Thus, reducing outflow may be effective regardless of individuals’ motivation to act sustainably. Also discussed is the value of online simulations to test pro-environmental behavior interventions. Finally, limitations and next steps, including in-person testing, are outlined as future work.
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 | 0,002 | 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) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».