Prosociality During COVID-19: Pathways Through Affect, Financial Stress, Well-being, and Collective Disempowerment across 39 Countries
Notice bibliographique
Résumé
Overcoming the COVID-19 pandemic, which resulted in great loss of life worldwide and shook the global economy, required individuals' willingness and ability to behave prosocially. To contribute to the understanding of predictors of prosociality, we used multilevel models to test three previously established pathways to prosocial behavior, which we call the “broaden and build”, compensation, and incapacity pathways. We also tested whether these three paths are mediated by general well-being, and moderated by collective disempowerment, i.e., individuals’ belief that external societal forces have made it harder for people like them to function effectively. Participants from 39 countries (N = 59987) were surveyed on their willingness to engage in prosocial behaviors in the context of the pandemic. The “broaden and build” pathway was supported: positive affect was associated with willingness to engage in prosocial behavior via higher well-being. Two (in)capacity paths were also supported: financial strain and negative affect were both negatively associated with prosociality via lower well-being. A compensation pathway was also observed: Controlling for lower well-being, negative affect was associated with greater prosociality. Finally, differences in disempowerment moderated the affective pathways: higher disempowerment strengthened the positive association of positive affect with prosociality via well-being, and buffered the negative affect incapacity path.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».