Does language experience and bilingualism shape empathy and emotional intelligence?
Notice bibliographique
Résumé
Aims and objectives: Previous research has reported that varied language experiences and language use can play a role in the development of empathy and emotional intelligence (EI). The present study aimed to investigate the association between language experience, bilingualism and personality. Methodology: One hundred and forty-two participants completed a language background questionnaire along with a series of measures to assess empathy and both trait and ability EI. Data and analysis: Measures included the Trait Emotional Intelligence Questionnaire short form (TEIQue), the Toronto Empathy Questionnaire (TEQ), and the Situational Test of Emotional Understanding Brief (STEU-B). Hierarchical regression models, analyses of variance (ANOVAs), and Structural Equation Modelling were used to examine the relationships between language experience, bilingualism, and measures of empathy and EI. Findings: Findings reveal that bilingualism and language experiences did not contribute to empathy and EI. These results question the role that linguistic experience has in shaping empathy and EI. However, a significant difference in empathy and EI scores emerged when comparing participants who processed information in their first (or native) language to those who did not, suggesting that empathy and EI are stronger when processed in the first language. Originality: This study provides a new understanding of the influence of language background on empathy and EI as well as the impact of processing information in a first language. Significance: This study highlights the importance of considering the role that language has in future cross-cultural and cross-linguistic studies. Implications for the use of culturally appropriate measures and future research are discussed.
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 | 0,000 | 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 | 0,000 |
| 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 ».