Gender inequality and cultural values in explaining gender differences in positive and negative emotions: A comparison of 24 countries during the COVID-19 pandemic
Notice bibliographique
Résumé
Abstract The coronavirus pandemic posed a major challenge to mental health. Existing evidence shows that COVID-19 is related to poor emotional well-being, particularly among women. However, most work on the subject uses single-country samples, limiting the ability to generalize the disparity or explain it as a function of societal variables. The present study investigates the expression of positive and negative emotions during the pandemic as a function of gender and across 24 countries ( N = 49,637). Strong gender differences emerged across countries, with women reporting more negative emotions (anxious, depressed, nervous, exhausted) and less positive emotions (calm, content, relaxed, energetic) than men. The gender gap in positive emotions was significantly wider in countries higher in individualism and narrower in countries higher in power distance. For instance, differences in emotions were larger in Western countries high in individualism, such as the USA, the UK, Italy, and France, and smaller in countries with higher collectivism and power distance, such as China, Malaysia, and South Korea, with a few exceptions like Japan and Brazil. These gender differences across countries were not explained by country-level gender inequalities indicators (GGGI and GII). Interestingly, the national severity of the pandemic, an epidemiological factor, reduced gender differences in positive emotions. These results underscore the importance of considering cultural and national factors when assessing gender differences in well-being.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».