Why do People Disseminate Fictitious Accounts? A Systematic Analysis of snopes.com
Notice bibliographique
Résumé
People often disseminate fictitious information and contrived anecdotes, some of which can be destructive. Thispaper explores the proposition that most, if not all, fictitious information can be classified into four clusters.Each cluster reinforces one of four underlying determinants of positive emotions—unambiguous duties, moralauthorities, extensive capabilities, and stable values over time. This framework is derived from socio-emotionalselectivity theory, self-discrepancy theory, and the meaning maintenance model. To assess these propositions,1500 fictitious claims, derived from snopes.com, were subjected to thematic analysis. To code these claims, allnouns and verbs were translated to broader categories. Then, researchers sorted these abstracted claims into 88piles of overlapping accounts. These 88 accounts were next sorted into 19 broader piles, each reflecting a distincttheme. All 19 themes aligned to one of the four underling determinants of positive emotions. These findingsindicate that, arguably, the need to curb negative emotions and to foster positive emotions motivates these biasedand fictitious accounts. The findings also highlight several distinct avenues in which each of these four needs canbe fulfilled. The implications of these findings to a range of issues, from violence and mental illness toadvertising and marketing, are discussed.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».