The Zeus Problem: Why Representational Content Biases Cannot Explain Faith in Gods
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.
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 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».