The Multidimensional Forgiveness Inventory: A Model for the Assessment of Incongruent and Incomplete Forgiveness
Notice bibliographique
Résumé
Building on existing models, we theorized a dimensional model which quantifies forgiveness in terms of incongruence among forgiveness aspects. In the present research we aimed to draw on attitudinal theory to validate a measure of forgiveness which assessed cognition, behavior, and affect. Our goal was to develop a measure of forgiveness which captures incongruence between domains. To do this, we examined the validity and reliability of the Multi-dimensional Forgiveness Inventory (MDFI), which assess forgiveness-relevant behavior, cognition, and affect. In Study 1 we assessed convergent/divergent validity and assessed predictive associations among dimensions and theoretically relevant constructs. In Study 2 we assigned participants to rate their forgiveness for transgressions (small or large), at two different time points. This allowed us to assess temporal stability of dimensions across similar and dissimilar transgressions. In Study 3 we replicated research on embodied remorse using the MDFI to assess forgiveness. We found that for transgressors demonstrating embodied remorse (i.e., kneeling), participants were more willing to communicate forgiveness, but we found no difference in cognitive or affective forgiveness (in line with past research). The present research provides a novel model and measure to assess incongruent forgiveness.
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 | 0,001 | 0,001 |
| 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 ».