Exploring the impact of awe on the multifaceted construct of empathy.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Empathy helps us navigate social interactions and promotes prosocial behaviors like caregiving and helping. Here, we explored whether awe, a key self-transcendent and epistemic emotion, could encourage greater empathy across seven diverse student and community samples collected between 2020 and 2022. Empathy is a multifaceted construct; thus, we assessed performance on a range of empathy measures including perspective taking accuracy (Study 2), empathic accuracy (Study 3; preregistered), emotion contagion and compassion (Study 4). We also directly tested whether awe motivated people to empathize with others (Study 5; preregistered). Although dispositional awe was positively correlated with trait measures of empathy (Study 1), experimental inductions of awe did not improve performance on empathy measures or motivate people to empathize, compared to a control (Studies 2-5). However, a moderation effect emerged in which awe had divergent effects on empathy depending on participants' self-reported dispositional levels of cognitive empathy. Although effects only reached significance in two studies (Studies 3; preregistered and 4), an internal meta-analysis revealed that awe improved empathy for those high in dispositional cognitive empathy, while marginally reducing it among those low in dispositional cognitive empathy, compared to a control. These results suggest that awe may have polarizing effects on empathy depending on one's dispositional level of cognitive empathy and reveal a potentially important role of cognitive processes in linking awe and empathy. (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.
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 | 0,000 | 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) | 0,001 | 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 découle