Notice bibliographique
Résumé
How do people behave when they face a finite series of opportunities to cheat with little or no risk of detection? In 4 experiments and a small meta-analysis, we analyzed over 25,000 cheating opportunities faced by over 2,500 people. The results suggested that the odds of cheating are almost 3 times higher at the end of a series than earlier. Participants could cheat in 1 of 2 ways: They could lie about the outcome of a private coin flip to get a payoff that they would otherwise not receive (Studies 1-3) or they could overbill for their work (Study 4). We manipulated the number of cheating opportunities they expected but held the actual number of opportunities constant. The data showed that the likelihood of cheating and the extent of dishonesty were both greater when people believed that they were facing a last choice. Mediation analyses suggested that anticipatory regret about passing up a chance to enrich oneself drove this cheat-at-the-end effect. We found no support for alternative explanations based on the possibility that multiple cheating opportunities depleted people's self-control, eroded their moral standards, or made them feel that they had earned the right to cheat. The data also suggested that the cheat-at-the-end effect may be limited to relatively short series of cheating opportunities (i.e., n < 20). Our discussion addresses the psychological and behavioral dynamics of repeated ethical choices.
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 | 0,002 | 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 | 0,001 |
| 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; 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 ».