Cultural shaping of emotion differentiation: Socially engaging and disengaging emotions.
Notice bibliographique
Résumé
There is a growing consensus that emotion differentiation-the ability to discern specific emotions-is healthy. To assess this ability, studies so far have exclusively relied on the dimension of emotion pleasantness by lumping together various types of emotions that fall within the same valence category. However, this approach neglects the possibility that individuals may represent certain types of emotions in a more differentiated fashion, if these emotions are functionally adaptive and therefore are more frequently experienced in their cultural environments. Here, we propose social orientation as another dimension to analyze emotion differentiation and test a hypothesis that the ability to differentiate socially engaging (vs. disengaging) emotions is reinforced more and is associated with better health in interdependent (vs. independent) cultural contexts. In a longitudinal daily diary study conducted in the United States and Korea between 2019 and 2020, we assessed the extent to which participants differentiated engaging or disengaging emotions based on 2 weeks of daily affective reports. For both positive and negative emotions, Koreans differentiated engaging emotions more than European Americans did. Conversely, European Americans differentiated disengaging emotions more than Koreans did. Moreover, for both cultural groups, the extent to which they differentiated emotions that are valued more in their respective culture-engaging for Koreans and disengaging for European Americans-predicted better health 2 months later, indirectly via reducing their tendency to ruminate over time. These results suggest that culture shapes how we represent emotions, and doing so in a culturally preferred way has a potential to bring health benefits. (PsycInfo Database Record (c) 2026 APA, all rights reserved).
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 ».