Who Laughs, and Who Doesn't? Predicting Humor Skills From Personality, Social Anxiety, and Laughter Dispositions of Gelotophobia, Gelotophilia, and Katagelasticism
Notice bibliographique
Résumé
Laughter-related dispositions, including gelotophobia (fear of being laughed at), gelotophilia (enjoyment of being laughed with), and katagelasticism (enjoyment of laughing at others), may explain patterns of humor use beyond broad personality traits and social anxiety. However, their incremental predictive value across distinct humor domains remains insufficiently examined. A sample of 788 Canadian university students completed self-report measures of laughter-related dispositions, HEXACO personality traits, social anxiety, and six humor domains. Hierarchical regression models assessed incremental validity beyond personality and social anxiety. Gradient boosting machine learning models were conducted to examine nonlinear effects and relative predictor importance. Gelotophilia consistently predicted greater humor use across domains. Gelotophobia predicted lower everyday humor, reduced laughing at oneself, and diminished humor under stress, even after controlling for personality and social anxiety. Katagelasticism showed minimal associations with adaptive humor domains. Machine learning analyses converged with regression findings, underscoring the robustness of these effects. Laughter-related dispositions demonstrate distinct and incremental contributions to humor use beyond personality and social anxiety. Gelotophilia and gelotophobia, in particular, represent meaningful predictors of adaptive humor engagement.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».