Emotion regulation and attitudes toward FARC-EP ex-combatants and Venezuelan migrants: effects of a reappraisal training
Notice bibliographique
Résumé
Colombia faces the dual challenge of integrating into civil life two large segments of population; more than fourteen thousand FARC-EP ex-combatants, as part of the peace agreement to end the five-decade conflict between that armed group and the Colombian Government, and nearly two million Venezuelan migrants. Successful integration heavily depends on fostering public acceptance of these groups. Prior research by Halperin et al. (Psychol Sci 24:106-11, 2013) and Hurtado-Parrado et al. (Front Psychol 10: 1-9, 2019) demonstrated the effectiveness of reappraisal training, a brief emotion-regulation intervention, in reducing negative emotions (e.g., anger, irritability, fear) and aggressive attitudes (e.g., support for war or opposition to the peace process), while increasing conciliatory attitudes (e.g., support for humanitarian aid). The present study extended those findings via testing reappraisal training to promote positive attitudes towards FARC-EP ex-combatants (Experiment 1) and Venezuelan migrants (Experiment 2). In both experiments, reappraisal training reduced negative emotions and support for aggressive statements, while increasing support for conciliatory statements. In addition, negative emotions mediated the effect of reappraisal on both aggressive and conciliatory statements. Lastly, reappraisal training increased participants' willingness to donate, a measure of prosocial behavior tested for the first time in this line of research. These findings add to the evidence of the effectiveness and generalizability of reappraisal training across a wider range of social targets and prosocial behaviors, and its potential to inform public policy and promote larger-scale social integration efforts.
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) | 0,000 | 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 ».