Experimental evidence that exerting effort increases meaning
Notice bibliographique
Résumé
Efficiency demands that we work smarter and not harder, but is this better for our wellbeing? Here, we ask if exerting effort on a task can increase feelings of meaning and purpose. In six studies (N = 2883), we manipulated how much effort participants exerted on a task and then assessed how meaningful they found those tasks. In Studies 1 and 2, we presented hypothetical scenarios whereby participants imagined themselves (or others) exerting more or less effort on a writing task, and then asked participants how much meaning they believed they (or others) would derive. In Study 3, we randomly assigned participants to complete inherently meaningless tasks that were harder or easier to complete, and again asked them how meaningful they found the tasks. Study 4 varied the difficulty of a writing assignment by involving or excluding ChatGPT assistance and evaluated its meaningfulness. Study 5 investigated cognitive dissonance as a potential explanatory mechanism. In Study 6, we tested the shape of the effort-meaning relationship. In all studies, the more effort participants exerted (or imagined exerting), the more meaning they derived (or imagined deriving), though the results of Study 6 show this is only up to a point. These studies suggest a causal link, whereby effort begets feelings of meaning. They also suggest that part of the reason this link exists is that effort begets feeling of competence and mastery, although the evidence is preliminary and inconsistent. We found no evidence the effects were caused by post-hoc effort justification (i.e., cognitive dissonance). Effort, beyond being a mere cost, is a source of personal meaning and value, fundamentally influencing how individuals and observers perceive and derive satisfaction from tasks.
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 | 0,000 |
| 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) | 0,003 | 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 ».