Emotion regulation, climate distress, and climate action in climate activist and student samples
Notice bibliographique
Résumé
Emotions predict the likelihood that people will engage in behaviors to mitigate climate change. However, there has been little attention to the role of emotion regulation—how we increase, decrease, or maintain our emotional experiences—in climate action. Emotion regulation is critical for mental health and well-being, but emotion regulation strategies that benefit individuals’ psychological health may not necessarily benefit society through motivating climate action. In the current, exploratory study, we set out to test the associations between emotion regulation, climate distress, and climate action. We recruited participants from a small urban university and a local climate activism group. Participants completed measures of climate distress (climate change anxiety and worry), use of cognitive emotion regulation strategies in response to climate change information, and climate action (pro-environmental behaviors and civic engagement). Climate activist participants scored higher on climate distress, varied in their use of several emotion regulation strategies, and reported more engagement in climate action relative to the student sample. Specific emotion regulation strategies (rumination, catastrophizing, other-blame) were associated with climate distress. Specific strategies (rumination, positive reappraisal, catastrophizing, other-blame, and lower non-judgment and positive refocusing) predicted climate action. In addition, climate distress was associated with climate action. The results support the notion that negative affect may be a strong motivating factor for climate action and point to the need to consider emotion regulation as a potential means for transforming climate distress and for intervening to change climate-related behaviors.
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 | 0,001 | 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 ».