Emotions and climate change: The role of emotion regulation in climate action
Notice bibliographique
Résumé
Although there is strong evidence for the role of emotion in climate-mitigating behaviours (Brosch, 2021), little is known about the role of emotion regulation in climate action (Panno et al., 2015). Our studies (a correlational study and an experiment, conducted in 2022) investigated the effect of emotion regulation on emotional responses to climate change and the likelihood of taking climate-mitigating actions. In Study 1, 151 participants from the US and Canada read about the detrimental effects of climate change before recording their emotional responses, emotion regulation strategies used in response to climate change information, and climate actions (pro-environmental behaviours and civic engagement in environmental actions). Emotion regulation was a significant predictor of climate action even when controlling for demographic variables. In Study 2, 245 participants from the US watched a video on the negative consequences of climate change, rated their emotions, and were randomly assigned to distraction, worrying, or positive reappraisal in response to the video. Next, they were given the option to sign an environmental petition and donate money to an environmental organization, before rating their intentions to engage in climate actions. Distraction reduced negative emotion and positive reappraisal increased hope. The effects of emotion regulation on engagement in climate action were mixed. Exploratory mediation analyses indicated that worrying and reappraisal increased intentions to engage in climate action, via negative emotion. Further experimental research on the effects of emotion regulation on climate action will be important for informing communications about climate change, to protect mental health while motivating action.
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 | 0,001 |
| 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 ».