De l’écoanxiété aux émotions climatiques : état des lieux des interventions psychosociales
Bibliographic record
Abstract
Contexte : Les émotions associées aux changements climatiques, souvent désignées sous le terme d’écoanxiété, sont de plus en plus étudiées sous l’appellation plus large d’émotions climatiques. Ce concept regroupe une diversité de réactions émotionnelles (peur, colère, tristesse, espoir…) face à la crise environnementale. Problème : L’évolution de ce concept au cours des années a complexifié leur mesure et limité le développement d’interventions fondées sur des données probantes. Objectif : L’objectif de cette revue systématique est d’identifier et d’analyser les interventions existantes qui accompagnent la gestion des émotions climatiques. Méthodes : À partir d’une recherche dans PubMed, PsychInfo et Web of Science, 1 217 articles ont été dépistés, parmi lesquels 20 ont été retenus après application des critères d’inclusion et d’exclusion. Résultats : L’analyse met en évidence une diversité d’approches, incluant des recommandations théoriques, des interventions testées empiriquement et des programmes éducatifs. Parmi les interventions évaluées, certaines reposent sur des approches thérapeutiques, comme la thérapie d’acceptation et d’engagement, tandis que d’autres s’appuient sur des stratégies expérientielles et collectives, telles que les groupes de discussion, l’activisme, ou des pratiques artistiques et narratives. Conclusion : Les résultats soulignent le manque d’évaluations empiriques robustes, la prédominance des approches qualitatives et la nécessité de recherches longitudinales. La psychoéducation, comme discipline spécialisée dans l’adaptation psychosociale, pourrait jouer un rôle clé dans l’accompagnement des émotions climatiques, en intégrant ces interventions dans différents milieux de vie. Cette étude propose des recommandations pour le développement de programmes adaptés aux réalités des personnes confrontées aux défis psychologiques des changements climatiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".