A two-dimensional model that employs explicit and implicit attitudes to characterize prejudice.
Notice bibliographique
Résumé
In the authors' 2-dimensional model of prejudice, explicit and implicit attitudes are used to create 4 profiles: truly low prejudiced (TLP: double lows), aversive racists (AR: low explicit modern racism/high implicit prejudice), principled conservatives (PC: high explicit modern racism/low implicit prejudice), and modern racists (MR: double highs). Students completed an Asian Modern Racism Scale and an Asian/White Implicit Association Test. The authors compared the 4 groups' prejudice-related ideologies (i.e., egalitarianism/humanism and social conservatism) and economic/political conservatism (Study 1, N=132). The authors also tested whether MR but not PC (Study 2, N=65) and AR but not TLP (Study 3, N=143) are more likely to negatively evaluate an Asian target when attributional ambiguity is high (vs. low). In support of the model, TLP did not hold prejudice-related ideologies and did not discriminate; AR were low in conservatism and demonstrated the attributional-ambiguity effect; PC did not strongly endorse prejudice-related ideologies and did not discriminate; MR strongly endorsed prejudice-related ideologies, were conservative, and demonstrated the attributional-ambiguity effect. The authors discuss implications for operationalizing and understanding the nature of prejudice.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».