MétaCan
Menu
Retour à la cohorte
Enregistrement W1588403970 · doi:10.1002/bdm.1874

A Goal‐Priming Approach to Cognitive Consistency: Applications to Judgment

2015· article· en· W1588403970 sur OpenAlexaff
Anne‐Sophie Chaxel, J. Edward Russo, Catherine Wiggins

Notice bibliographique

RevueJournal of Behavioral Decision Making · 2015
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésConsistency (knowledge bases)Priming (agriculture)PsychologyCognitionCognitive psychologyPreferenceWishful thinkingTask (project management)Process (computing)Social psychologyComputer scienceArtificial intelligenceStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract A fundamental criterion of judgment is consistency among beliefs. To augment traditional methods for studying cognitive consistency, we treat it as a goal and present a priming method for increasing its activation. Three studies use three criteria to validate the method: an increase in the biased evaluation of incoming information, speed in a lexical decision task, and participants' direct reports of greater goal activation. The method is then used to verify the role of the consistency goal in three diverse judgment phenomena. Priming cognitive consistency increases the search for postdecisional supporting information (selective exposure to information), the agreement between preference and prediction (the desirability bias or wishful thinking), and the adjustment of a socially unacceptable implicit attitude to conform to the corresponding explicit attitude. One conclusion is that the cause of these phenomena is not only motivated reasoning (driven directionally by a desired outcome) but also the purely cognitive and nondirectional process of simply making beliefs more consistent. Copyright © 2015 John Wiley & Sons, Ltd.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,069
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,069
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,004
Communication savante0,0020,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,307
Tête enseignante GPT0,476
Écart entre enseignants0,169 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Behavioral Decision MakingMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207