The Zeus Problem: Why Representational Content Biases Cannot Explain Faith in Gods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In a recent article, Barrett (2008) argued that a collection of five representational content features can explain both why people believe in God and why people do not believe in Santa Claus or Mickey Mouse. In this model ‐ and within the cognitive science of religion as a whole ‐ it is argued that representational content biases are central to belief. In the present paper, we challenge the notion that representational content biases can explain the epidemiology of belief. Instead, we propose that representational content biases might explain why some concepts become widespread, but that context biases in cultural transmission are necessary to explain why people come to believe in some counterintuitive agents rather than others. Many supernatural agents, including those worshipped by other cultural groups, meet Barrett’s criteria. Nevertheless, people do not come to believe in the gods of their neighbors. This raises a new challenge for the cognitive science of religion: the Zeus Problem. Zeus contains all of the features of successful gods, and was once a target for widespread belief, worship, and commitment. But Zeus is no longer a target for widespread belief and commitment, despite having the requisite content to fulfill Barrett’s criteria. We analyze Santa Claus, God, and Zeus with both content and context biases, finding that context ‐ not content ‐ explains belief. We argue that a successful cognitive science of religious belief needs to move beyond simplistic notions of cultural evolution that only include representational content biases.
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.
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 | 0,000 |
| 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 | 0,000 | 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 découle