The impact of affect, resilience, and empathy in forgiving friends
Notice bibliographique
Résumé
The current study sought to observe how positive personality traits, namely positive affect, empathy, and resilience, may affect an individual's willingness to forgive a friend following a transgression. This study was conducted using 107 students from the University of Massachusetts Dartmouth in USA and 137 students from the University of Calgary in Canada. Participants completed surveys over two sessions, in which they were asked to recall a recent transgression that was committed by a same-sex friend. Part 1 consisted of surveys measuring forgiveness on a dispositional level, while Part 2 consisted of surveys that asked the participant about the specific transgression and about their relationship with their friend. The current study used a selection of measures from a larger data set. The study also considered two different measures of forgiveness; both as a personality trait (trait forgiveness) and as a measure of the participant's feelings towards their transgressor at the time of taking the survey (state forgiveness). The results indicated that state and trait forgiveness were associated with different sets of variables. Trait forgiveness was associated with personality-level variables including resilience and empathy, whereas state forgiveness was related to relationship-level variables including offense severity, perceived apology, and length of relationship. Positive affect was the only variable that was positively associated with both state and trait forgiveness. Results also pointed to some interesting sex differences; men reported showing more benevolence, while women showed more avoidance towards their transgressor. The implications of the findings are further discussed.
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 ».