Inducing bias modulates sensitivity to nonverbal cues of others' pain
Notice bibliographique
Résumé
BACKGROUND: There is ample research to support the existence of bias in the perception of others' pain. Both studies involving health-care professionals and student surrogate samples have found that, firstly, pain is under-perceived when using nonverbal cues to gauge another's suffering and, secondly, that personal characteristics of both the viewer and the target (such as gender) can bias pain perception, affecting the allocation of help. However, the extant research shows conflicts about the direction of the bias that target gender exerts on pain perception. Our study aims to address these challenges by examining whether under-perception of pain can be attenuated or exacerbated with gender primes and how target gender affects nonverbal pain perception, in particular. METHODS: University students (N = 120) were primed with either masculine, neutral, or feminine concepts followed by photos of male and female targets displaying various levels of pain and asked to quantify the photographed targets' distress. RESULTS: Participants perceived lower target distress when this task was preceded by a masculine gender prime, as compared to a neutral or feminine gender prime. Pain was underestimated for all targets; however, this underestimation was significantly more pronounced for female targets. CONCLUSIONS: These results suggest that gender cues may influence the perception of observed pain and, as a result, clinical decision making. They also support the conjecture that nonverbal pain cues may be under-perceived in women.
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 | 0,092 | 0,023 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».