Popularity

In recent years, retro-style outfits have continued to gain popularity on social media platforms. Clothing styles marked by earlier eras, such as Y2K millennium style, vintage outfits, and retro sportswear, have become widely popular among young people. This phenomenon raises a question worth exploring: why have young people developed such strong interest in “old clothes”? What role does social media play in the transformation of nostalgic emotions into consumption behavior? Taking 2018 to 2026 as the time window, this paper systematically reviews the literature on youth nostalgic consumption in social media environments and discusses it from three dimensions: conceptual definition, activation mechanism, and identity. The review preliminarily reveals the role of social media in the dissemination and diffusion of nostalgic content and also confirms that nostalgic consumption is an important path through which young people respond to identity anxiety and seek group belonging. However, existing studies still have three limitations. First, they lack a systematic explanation of how platform mechanisms promote the transformation of nostalgic emotions into consumption behavior. Second, they pay insufficient attention to how young people continuously construct identity through symbolic practices, community interaction, and consumption choices on social media. Third, the special mechanism of “non-experiential nostalgia” in the digital age has not been fully discussed. Future research may focus on constructing theoretical models that take social media as an intermediary variable and connect the logical path from emotion to behavior and then to identity.

Cognitive behavioral therapy for insomnia (CBTI) is a first-line treatment, but the quality and engagement of CBTI information on short-video platforms remain uncertain. We evaluated 293 videos from Douyin, Kwai, RedNote, and Bilibili using the Global Quality Scale, modified DISCERN, Video Information Quality Instrument, Journal of the American Medical Association (JAMA) benchmarks, and a Composite Quality Index (CQI). The primary outcome was ln(1 + weighted engagement per publication day). Multivariable models adjusted for publication days, follower count, video length, and author identity using HC3 robust inference. Bilibili had the highest mean JAMA and Global Quality Scale scores, whereas Douyin had the highest median weighted engagement per day. A 10-point CQI increase was positively associated with engagement on Douyin (β = 0.469, 95% CI [0.107,0.831], P = 0.011). However, the global CQI-by-platform interaction was nonsignificant ( P = 0.067), providing insufficient evidence that the association differed across platforms. JAMA slopes and the global interaction were nonsignificant. Alternative score weightings produced similar secondary unadjusted findings, and view-normalized CQI associations were nonsignificant in Kwai and Bilibili. The platforms differed in information transparency, quality, and engagement, but no platform performed best across all dimensions. Popularity should not be considered a proxy for CBTI information quality.

درمان شناختی-رفتاری برای بی‌خوابی (CBTI) درمان خط اول محسوب می‌شود، اما کیفیت و میزان مشارکت اطلاعات مربوط به CBTI در پلتفرم‌های ویدئویی کوتاه هنوز نامشخص است. ما ۲۹۳ ویدئو از Douyin، Kwai، RedNote و Bilibili را با استفاده از مقیاس کیفیت جهانی (Global Quality Scale)، نسخه اصلاح‌شده DISCERN، ابزار کیفیت اطلاعات ویدئویی (Video Information Quality Instrument)، معیارهای انجمن پزشکی آمریکا (Journal of the American Medical Association - JAMA) و شاخص کیفیت ترکیبی (Composite Quality Index - CQI) ارزیابی کردیم. پیامد اصلی، لگاریتم طبیعی (ln) (۱ + میزان مشارکت وزنی به ازای هر روز انتشار) بود. مدل‌های چندمتغیره برای روزهای انتشار، تعداد دنبال‌کنندگان، طول ویدئو و هویت نویسنده با استفاده از استنتاج مقاوم HC3 تعدیل شدند. Bilibili بالاترین میانگین امتیازات JAMA و مقیاس کیفیت جهانی را داشت، در حالی که Douyin بالاترین میانه مشارکت وزنی به ازای هر روز را نشان داد. افزایش ۱۰ واحدی CQI با میزان مشارکت در Douyin ارتباط مثبت داشت (β = ۰.۴۶۹، ۹۵٪ CI [۰.۱۰۷، ۰.۸۳۱]، P = ۰.۰۱۱). با این حال، تعامل کلی CQI بر اساس پلتفرم معنادار نبود (P = ۰.۰۶۷) و شواهد کافی برای تفاوت این ارتباط در میان پلتفرم‌ها وجود نداشت. شیب‌های JAMA و تعامل کلی نیز معنادار نبودند. وزن‌دهی‌های جایگزین امتیازات، یافته‌های ثانویه مشابهی را بدون تعدیل نشان داد و ارتباطات CQI نرمال‌شده بر اساس بازدید در Kwai و Bilibili معنادار نبود. پلتفرم‌ها از نظر شفافیت اطلاعات، کیفیت و میزان مشارکت تفاوت داشتند، اما هیچ پلتفرمی در همه ابعاد بهترین عملکرد را نداشت. محبوبیت نباید به عنوان شاخصی برای کیفیت اطلاعات CBTI در نظر گرفته شود.

Background Gamified fitness applications have grown in popularity, yet it remains unclear how gameful experience, defined as users’ subjective perception of game-like engagement during app-supported exercise, is associated with exercise adherence. Methods A cross-sectional survey was conducted among N = 300 Chinese university students who were active users of gamified fitness applications. Data were collected via an online questionnaire platform (Questionnaire Star) from March 5 to April 5, 2026. Participants completed validated measures of gameful experience (GAMEX), exercise identity (EI), exercise habit formation (EHF), intolerance of uncertainty (IU), and exercise adherence (EA). A moderated chain mediation model was tested using hierarchical regression analysis and bias-corrected bootstrap resampling (5,000 iterations). An indirect effect was considered statistically different from zero when its 95% confidence interval excluded zero. Results Gameful experience was positively associated with exercise adherence ( β = .264, p < .001). The observed associations were consistent with three indirect pathways: GAMEX → EI → EA (effect = .065, 95% CI [.020, .114]); GAMEX → EHF → EA (effect = .043, 95% CI [.002, .087]); and GAMEX → EI → EHF → EA (effect = .085, 95% CI [.054, .123]). IU moderated the GAMEX–EI association ( β = .237, p < .001, Δ R 2 = .036); the estimated chain indirect effect ranged from .034 (95% CI [.001, .072]) at low IU to .136 (95% CI [.080, .201]) at high IU. These estimates describe conditional associations and do not establish causal or temporal ordering. Conclusions The findings are consistent with the hypothesized ordering of gameful experience, exercise i

زمینه: برنامه‌های تناسب اندام بازی‌وارشده به طور فزاینده‌ای محبوب شده‌اند، اما هنوز مشخص نیست که تجربه بازی‌گونه، که به عنوان ادراک ذهنی کاربران از درگیری شبیه به بازی در حین ورزش با پشتیبانی برنامه تعریف می‌شود، چگونه با پایبندی به ورزش مرتبط است. روش‌ها: یک پیمایش مقطعی در میان N = 300 دانشجوی دانشگاه چینی که کاربران فعال برنامه‌های تناسب اندام بازی‌وارشده بودند، انجام شد. داده‌ها از طریق پلتفرم پرسشنامه آنلاین (Questionnaire Star) از ۵ مارس تا ۵ آوریل ۲۰۲۶ جمع‌آوری شد. شرکت‌کنندگان مقیاس‌های معتبر تجربه بازی‌گونه (GAMEX)، هویت ورزشی (EI)، شکل‌گیری عادت ورزشی (EHF)، ناتوانی در تحمل عدم قطعیت (IU) و پایبندی به ورزش (EA) را تکمیل کردند. یک مدل میانجی‌گری زنجیره‌ای تعدیل‌شده با استفاده از تحلیل رگرسیون سلسله‌مراتبی و نمونه‌گیری مجدد بوت‌استرپ با تصحیح اریبی (۵۰۰۰ تکرار) آزمون شد. یک اثر غیرمستقیم زمانی از نظر آماری متفاوت از صفر تلقی شد که بازه اطمینان ۹۵٪ آن شامل صفر نباشد. یافته‌ها: تجربه بازی‌گونه با پایبندی به ورزش رابطه مثبت داشت (β = ۰.۲۶۴، p < ۰.۰۰۱). این روابط با سه مسیر غیرمستقیم مشاهده‌شده سازگار بود: GAMEX → EI → EA (اثر = ۰.۰۶۵، ۹۵٪ CI [۰.۰۲۰، ۰.۱۱۴])؛ GAMEX → EHF → EA (اثر = ۰.۰۴۳، ۹۵٪ CI [۰.۰۰۲، ۰.۰۸۷])؛ و GAMEX → EI → EHF → EA (اثر = ۰.۰۸۵، ۹۵٪ CI [۰.۰۵۴، ۰.۱۲۳]). IU رابطه GAMEX–EI را تعدیل کرد (β = ۰.۲۳۷، p < ۰.۰۰۱، ΔR۲ = ۰.۰۳۶)؛ اثر غیرمستقیم زنجیره‌ای برآوردشده از ۰.۰۳۴ (۹۵٪ CI [۰.۰۰۱، ۰.۰۷۲]) در IU پایین تا ۰.۱۳۶ (۹۵٪ CI [۰.۰۸۰، ۰.۲۰۱]) در IU بالا متغیر بود. این برآوردها روابط شرطی را توصیف می‌کنند و ترتیب علی یا زمانی را اثبات نمی‌کنند. نتیجه‌گیری: یافته‌ها با ترتیب فرضی تجربه بازی‌گونه، هویت ورزشی و پایبندی به ورزش سازگار است.

BACKGROUND: Due to the popularity and convenience of the internet, cyber-pornography use among youth has attracted the widespread attention of scholars. Cyber-pornography use among Chinese university students remains rarely investigated, especially based on ecological systems theory using machine learning and network analysis approaches. Therefore, the present study examined cyber-pornography use through machine learning and network analysis based on ecological systems theory among a sample of Chinese university students. METHODS: A sample of 1322 university students in different provinces of China were surveyed in a cross-sectional study. The survey included cyber-pornography use variables, demographic information, psychological variables, family variables, and school factors. RESULTS: Of 1332 participants, 25 students were classed as high-risk cyber-pornography users (1.9%). The XGBoost model of machine learning identified 15 important features of cyber-pornography use including social ostracism, moral disengagement, gender, teacher fairness, year of study, age, autonomy, self-control, depression, father and mother's parenting style, relatedness, experience of being left behind, loneliness, and family closeness. In the network analysis, social ostracism was the strongest node in the total sample and among males, whereas depression was the strongest node in females. CONCLUSIONS: Psychological, family, school, and demographic factors (e.g. gender) may directly or indirectly be associated with cyber-pornography use among Chinese university students. The results suggest that ecological systems theory, including the microsystem, mesosystem, macrosystem, and chronosystem, may be considered as one of the core theories in understanding cyber-pornography use. In addition, the interaction of related factors also needs to be examined deeply to aid prevention and intervention of cyber-pornography use in the future.

زمینه: به دلیل محبوبیت و سهولت دسترسی به اینترنت، استفاده از پورنوگرافی سایبری در میان جوانان توجه گسترده پژوهشگران را به خود جلب کرده است. استفاده از پورنوگرافی سایبری در میان دانشجویان دانشگاه‌های چین به‌ویژه بر اساس نظریه نظام‌های بوم‌شناختی با بهره‌گیری از رویکردهای یادگیری ماشین و تحلیل شبکه‌ای به‌ندرت مورد بررسی قرار گرفته است. بنابراین، مطالعه حاضر استفاده از پورنوگرافی سایبری را از طریق یادگیری ماشین و تحلیل شبکه‌ای مبتنی بر نظریه نظام‌های بوم‌شناختی در میان نمونه‌ای از دانشجویان دانشگاه‌های چین بررسی کرد. روش‌ها: نمونه‌ای متشکل از ۱۳۲۲ دانشجوی دانشگاه در استان‌های مختلف چین در یک مطالعه مقطعی مورد بررسی قرار گرفتند. پرسشنامه شامل متغیرهای استفاده از پورنوگرافی سایبری، اطلاعات جمعیت‌شناختی، متغیرهای روان‌شناختی، متغیرهای خانوادگی و عوامل مدرسه بود. یافته‌ها: از میان ۱۳۳۲ شرکت‌کننده، ۲۵ دانشجو به عنوان کاربران پرخطر پورنوگرافی سایبری (۱/۹٪) طبقه‌بندی شدند. مدل XGBoost یادگیری ماشین، ۱۵ ویژگی مهم استفاده از پورنوگرافی سایبری از جمله طرد اجتماعی، گسست اخلاقی، جنسیت، انصاف معلم، سال تحصیلی، سن، خودمختاری، خودکنترلی، افسردگی، سبک فرزندپروری پدر و مادر، ارتباط، تجربه رهاشدگی، تنهایی و نزدیکی خانوادگی را شناسایی کرد. در تحلیل شبکه‌ای، طرد اجتماعی قوی‌ترین گره در کل نمونه و در میان مردان بود، در حالی که افسردگی قوی‌ترین گره در زنان بود. نتیجه‌گیری: عوامل روان‌شناختی، خانوادگی، مدرسه و جمعیت‌شناختی (مانند جنسیت) ممکن است به طور مستقیم یا غیرمستقیم با استفاده از پورنوگرافی سایبری در میان دانشجویان دانشگاه‌های چین مرتبط باشند. نتایج نشان می‌دهد که نظریه نظام‌های بوم‌شناختی، شامل خردنظام، میان‌نظام، کلان‌نظام و کرونونظام، می‌تواند به عنوان یکی از نظریه‌های اصلی در فهم استفاده از پورنوگرافی سایبری مورد توجه قرار گیرد. علاوه بر این، تعامل عوامل مرتبط نیز باید به طور عمیق‌تری بررسی شود تا به پیشگیری و مداخله در استفاده از پورنوگرافی سایبری در آینده کمک کند.

The condition of mortality is conventionally understood as the possession of a finite lifetime. As lifetimes have lengthened, and ageing and dying have become more protracted, a more open awareness of mortality has emerged. The de-tabooing of death has increased the pertinence of the existential injunction to authenticate ‘this life’, but arguably it is also accompanied by more casual attitudes to the deaths of others, as reflected in the popularity of dark tourism, the viral spread of images of military and terrorist killings, and the view, shared by advocates of assisted dying, that some lives would be better brought to a faster end. In this article I argue that a more truthful understanding of the human condition of mortality would conceptualise it not as finitude but as vulnerability. When we think of mortality as a limit of time, death becomes another component of life to be consumed or mastered before time runs out. Rethinking mortality as vulnerability, on the other hand, reminds us that dependency and suffering are conditions of caring about the world, and of finding meaning in lives other than, and after, our own.

شرط مرگ‌پذیری به طور متعارف به عنوان داشتن طول عمر محدود درک می‌شود. با افزایش طول عمرها و طولانی‌تر شدن روند پیری و مرگ، آگاهی بازتری نسبت به مرگ‌پذیری پدید آمده است. زدودن تابوی مرگ، اهمیت توصیه اگزیستانسیال برای اصالت بخشیدن به «این زندگی» را افزایش داده است، اما می‌توان استدلال کرد که این امر با نگرش‌های بی‌تفاوت‌تر نسبت به مرگ دیگران نیز همراه شده است؛ امری که در محبوبیت گردشگری سیاه، گسترش ویروسی تصاویر قتل‌های نظامی و تروریستی، و دیدگاهی که طرفداران مرگ یاری‌شده دارند ــ مبنی بر اینکه برخی زندگی‌ها بهتر است زودتر به پایان برسند ــ منعکس می‌شود. در این مقاله استدلال می‌کنم که درک صادقانه‌تر از وضعیت انسانی مرگ‌پذیری، آن را نه به عنوان محدودیت، بلکه به عنوان آسیب‌پذیری مفهوم‌پردازی می‌کند. زمانی که مرگ‌پذیری را به عنوان محدودیت زمانی در نظر می‌گیریم، مرگ به یکی دیگر از اجزای زندگی بدل می‌شود که باید پیش از پایان زمان مصرف یا تسخیر شود. اما بازاندیشی مرگ‌پذیری به مثابه آسیب‌پذیری، به ما یادآوری می‌کند که وابستگی و رنج، شرایط دلبستگی به جهان و یافتن معنا در زندگی‌هایی غیر از زندگی خود و پس از آن است.

Short video platforms require recommendation models that can adapt to rapidly changing user interests while optimizing engagement beyond immediate click feedback. Existing collaborative filtering and supervised deep learning methods are effective for static preference matching and short-term click-through-rate prediction, but they are less suited to sequential recommendation scenarios where each recommended item influences subsequent user behavior. To address this limitation, this paper proposes a deep reinforcement learning (DRL) framework for short video recommendation. The recommendation process is formulated as a Markov Decision Process (MDP), in which the user state is constructed from historical interactions and multimodal item features, the action corresponds to selecting candidate videos, and the reward integrates immediate feedback with delayed engagement signals. A Deep Q-Network (DQN)-based agent is trained in an offline simulation environment based on the KuaiRec short-video dataset and is compared with representative baselines, including popularity-based recommendation, matrix factorization, and supervised DNN models. The experimental results show that the DRL agent better balances click relevance, session duration, and recommendation diversity, particularly in long-term engagement-oriented metrics. Ablation results further confirm that combining immediate and delayed reward signals is important for learning a robust recommendation policy. This study provides a practical framework for developing intelligent short video recommendation systems that shift the optimization objective from short-term response maximization toward long-term user value.

پلتفرم‌های ویدئوی کوتاه به مدل‌های توصیه‌گری نیاز دارند که بتوانند خود را با علایق به‌سرعت متغیر کاربران تطبیق دهند و در عین حال، بهینه‌سازی تعامل را فراتر از بازخوردهای فوری کلیک انجام دهند. روش‌های موجود فیلترینگ مشارکتی و یادگیری عمیق نظارت‌شده برای تطبیق ترجیحات ایستا و پیش‌بینی نرخ کلیک کوتاه‌مدت مؤثر هستند، اما برای سناریوهای توصیه‌گری دنباله‌دار که در آن هر آیتم توصیه‌شده بر رفتار بعدی کاربر تأثیر می‌گذارد، کمتر مناسب‌اند. برای رفع این محدودیت، این مقاله چارچوبی مبتنی بر یادگیری تقویتی عمیق (DRL) برای توصیه‌گری ویدئوی کوتاه پیشنهاد می‌کند. فرایند توصیه‌گری به صورت یک فرایند تصمیم‌گیری مارکوف (MDP) مدل‌سازی شده است که در آن وضعیت کاربر از تعاملات پیشین و ویژگی‌های چندوجهی آیتم‌ها ساخته می‌شود، عمل معادل انتخاب ویدئوهای کاندید است و پاداش، بازخورد فوری را با سیگنال‌های تعامل تأخیری ادغام می‌کند. یک عامل مبتنی بر شبکه عصبی Q عمیق (DQN) در محیط شبیه‌سازی آفلاین مبتنی بر مجموعه‌داده KuaiRec آموزش داده شده و با مبناهای نماینده از جمله توصیه‌گر مبتنی بر محبوبیت، تجزیه ماتریسی و مدل‌های DNN نظارت‌شده مقایسه می‌شود. نتایج تجربی نشان می‌دهد که عامل DRL تعادل بهتری میان ارتباط کلیک، مدت زمان نشست و تنوع توصیه برقرار می‌کند، به‌ویژه در شاخص‌های مبتنی بر تعامل بلندمدت. نتایج حذف مؤلفه‌ها نیز تأیید می‌کند که ترکیب سیگنال‌های پاداش فوری و تأخیری برای یادگیری سیاست توصیه‌گری مقاوم اهمیت دارد. این مطالعه چارچوبی عملی برای توسعه سامانه‌های هوشمند توصیه‌گر ویدئوی کوتاه ارائه می‌دهد که هدف بهینه‌سازی را از حداکثرسازی پاسخ کوتاه‌مدت به سوی ارزش بلندمدت کاربر تغییر می‌دهد.

Support for the growing population of family caregivers in the United States remains a challenging public health issue. With a limited workforce to support families coping with chronic and degenerative conditions, caregivers are turning to individualized approaches to gain information and emotional support. One approach that may be gaining popularity in caregiving support is the use of Artificial Intelligence (AI) chatbots. This study examined caregivers' awareness and general use of AI chatbots, their use of AI chatbots for caregiving purposes, and variations in these outcomes by individual characteristics (e.g., the Big 5 personality traits, internet literacy, cognitive ability) and caregiving contextual factors (e.g., caregiving relationship, caregiving stress, the health condition of the care recipient). To this end, we used one of the waves of the Understanding America Study-Caregiving Lifecourse Experiences Assessed in Real-time (UAS-CLEAR), a longitudinal study of caregivers in the U.S. The sample consisted of 1,300 caregivers, with data collected between August and October 2025. We employed a cross-sectional, mixed-methods design, combining quantitative analysis of structured survey items with thematic coding of open-ended responses. Of the 487 respondents who reported being AI chatbot users, 25% used the technology for caregiving. Those who were more likely to use AI for caregiving were higher in openness, lower in internet literacy, lower in cognitive ability, helped with more caregiving tasks, and were more uncertain in their caregiving role. Over half (58%) used AI chatbots for information about caregiving, 34% for emotional support related to caregiving, and 37% reported other uses. Open-ended responses about individuals' experiences using AI chatbots for caregiving also revealed that the most common reason for use was information seeking. In addition, caregivers found the chatbot support to be useful, while acknowledging some limitations of their use. Future research should examine perceptions of AI chatbots among non-users, the mechanisms linking individual traits to caregiving-related chatbot use, and the longitudinal effects of such use on caregiver well-being.

حمایت از جمعیت رو به رشد مراقبان خانوادگی در ایالات متحده همچنان یک مسئله چالش‌برانگیز در حوزه سلامت عمومی است. با توجه به نیروی کار محدود برای حمایت از خانواده‌هایی که با شرایط مزمن و تحلیل‌برنده مواجه هستند، مراقبان به رویکردهای فردی برای کسب اطلاعات و حمایت عاطفی روی آورده‌اند. یکی از رویکردهایی که ممکن است در حمایت از مراقبان محبوبیت بیشتری پیدا کند، استفاده از چت‌بات‌های هوش مصنوعی (AI) است. این مطالعه به بررسی آگاهی و استفاده کلی مراقبان از چت‌بات‌های هوش مصنوعی، استفاده آن‌ها از چت‌بات‌های هوش مصنوعی برای اهداف مراقبتی، و تفاوت‌های این پیامدها بر اساس ویژگی‌های فردی (مانند پنج عامل بزرگ شخصیت، سواد اینترنتی، توانایی شناختی) و عوامل زمینه‌ای مراقبت (مانند نوع رابطه مراقبتی، استرس مراقبت، وضعیت سلامت دریافت‌کننده مراقبت) پرداخت. بدین منظور، یکی از موج‌های مطالعه Understanding America Study-Caregiving Lifecourse Experiences Assessed in Real-time (UAS-CLEAR)، که یک مطالعه طولی درباره مراقبان در ایالات متحده است، مورد استفاده قرار گرفت. نمونه شامل ۱۳۰۰ مراقب بود و داده‌ها بین اوت و اکتبر ۲۰۲۵ جمع‌آوری شد. ما از یک طرح مقطعی با روش‌های ترکیبی استفاده کردیم که تحلیل کمی پرسش‌های ساختاریافته پرسشنامه را با کدگذاری تماتیک پاسخ‌های باز ترکیب می‌کرد. از میان ۴۸۷ پاسخ‌دهنده‌ای که گزارش کردند کاربر چت‌بات هوش مصنوعی هستند، ۲۵٪ از این فناوری برای مراقبت استفاده کردند. افرادی که احتمال بیشتری داشت از هوش مصنوعی برای مراقبت استفاده کنند، در باز بودن بالاتر، در سواد اینترنتی پایین‌تر، در توانایی شناختی پایین‌تر، در انجام وظایف مراقبتی بیشتر و در نقش مراقبتی خود نامطمئن‌تر بودند. بیش از نیمی (۵۸٪) از چت‌بات‌های هوش مصنوعی برای کسب اطلاعات درباره مراقبت، ۳۴٪ برای حمایت عاطفی مرتبط با مراقبت و ۳۷٪ برای سایر کاربردها استفاده کردند. پاسخ‌های باز درباره تجربه افراد از استفاده از چت‌بات‌های هوش مصنوعی برای مراقبت نیز نشان داد که رایج‌ترین دلیل استفاده، جستجوی اطلاعات بوده است. علاوه بر این، مراقبان حمایت چت‌بات را مفید یافتند، در حالی که به برخی محدودیت‌های استفاده از آن نیز اذعان داشتند. پژوهش‌های آتی باید به بررسی ادراکات نسبت به چت‌بات‌های هوش مصنوعی در میان غیرکاربران، سازوکارهای پیونددهنده ویژگی‌های فردی با استفاده مراقبتی از چت‌بات و اثرات طولی چنین استفاده‌ای بر بهزیستی مراقبان بپردازند.

Ethnic social movements have long been associated with militant activities in post-independence Nigeria and identity is one of the mechanisms with which they mobilise for collective action. Using data from primary and secondary sources, this paper examines the construction and utilisation of collective identity by the Ombatse movement for the mobilisation of support in Eggonland, and the deployment of militancy in Nasarawa State of Nigeria. The Ombatse identity was built around the Ashim religious belief system of the Eggon people and portrayed as a revival of ancestral practices aimed at cleansing the Eggon people from moral vices and misfortunes. This identity attracted many Eggon people because it converged with their other identities, including as practicing Christians and Muslims. It also promised to clean out social vices, witchcraft, evil and misfortunes from Eggonland. Symbolic rituals and practices were used by the movement to build group solidarity and demarcate insiders from outsiders. The resultant widespread support attracted by the movement enabled it to mobilise its members for collective action in protecting the interests of the Eggon ethnic group. This resulted in their assumption of a sustained militant posture that brought the movement into violent conflicts with other ethnic groups and the Nasarawa State government. The paper concludes that collective identity was a powerful mechanism for the mobilisation for support by the Ombatse movement as well as for the deployment of militancy in Nasarawa State. Nonetheless, the resultant growth, popularity and militant activities of the movement also contributed towards its eventual decline.

جنبش‌های اجتماعی قومی مدت‌هاست که با فعالیت‌های مبارزه‌جویانه در نیجریه پس از استقلال مرتبط بوده‌اند و هویت یکی از سازوکارهایی است که از طریق آن‌ها برای اقدام جمعی بسیج می‌کنند. با استفاده از داده‌های منابع اولیه و ثانویه، این مقاله به بررسی ساخت و بهره‌برداری از هویت جمعی توسط جنبش Ombatse برای بسیج حمایت در منطقه Eggonland و به‌کارگیری مبارزه‌جویی در ایالت Nasarawa نیجریه می‌پردازد. هویت Ombatse حول نظام اعتقادی دینی Ashim متعلق به مردم Eggon شکل گرفت و به‌عنوان احیای سنت‌های نیاکانی با هدف پاک‌سازی مردم Eggon از رذایل اخلاقی و بدبختی‌ها به تصویر کشیده شد. این هویت به دلیل هم‌پوشانی با سایر هویت‌های مردم Eggon، از جمله مسیحیان و مسلمانان فعال، بسیاری از آنان را جذب کرد. همچنین وعده پاک‌سازی رذایل اجتماعی، جادوگری، شر و بدبختی‌ها را از Eggonland می‌داد. آیین‌ها و مناسک نمادین توسط جنبش برای ایجاد همبستگی گروهی و تمایز میان اعضا و غیر اعضا به کار گرفته شد. حمایت گسترده‌ای که جنبش به دست آورد، امکان بسیج اعضا برای اقدام جمعی در جهت حفاظت از منافع گروه قومی Eggon را فراهم ساخت. این امر منجر به اتخاذ رویکردی مبارزه‌جویانه پایدار شد که جنبش را وارد درگیری‌های خشونت‌آمیز با سایر گروه‌های قومی و دولت ایالت Nasarawa کرد. مقاله نتیجه می‌گیرد که هویت جمعی سازوکاری قدرتمند برای بسیج حمایت توسط جنبش Ombatse و همچنین برای به‌کارگیری مبارزه‌جویی در ایالت Nasarawa بود. با این حال، رشد، محبوبیت و فعالیت‌های مبارزه‌جویانه جنبش در نهایت به افول آن نیز کمک کرد.