Genius is 1% inspiration and 99% perspiration … or is it? An investigation of the impact of motivation and feedback on deception detection
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
Purpose . Although most people perform around the level of chance in making credibility judgments, some researchers have hypothesized that high motivation and the provision of accurate feedback could lead to a higher accuracy rate. This study examined the influence of these factors on judgment accuracy and whether any improvement following feedback was related to social facilitation, a gradual incorporation of successful assessment strategies, or a re‐evaluation of ‘tunnel vision’ decision‐making. Methods . Participants ( N = 151) were randomly assigned to conditions according to motivation level (high/low) and feedback (accurate, inaccurate or none). They then judged the credibility of 12 videotaped speakers either lying or telling the truth about a personal experience. Results . Highly motivated observers performed less accurately ( M = 46.0%), but more confidently, than those in the low‐motivation condition ( M = 60.0%). Although there was no main effect of feedback, the provision of any feedback (accurate or inaccurate) served to diminish the motivational impairment effect. Further, high motivation was associated with a relatively low ‘hit’ rate and high ‘false‐alarm’ rate. This suggested that in the absence of feedback the judgments of highly motivated participants were made through tunnel vision. Conclusions . The results suggest that it is important for lie‐catchers to monitor their motivation level to ensure that over‐enthusiasm is not clouding their judgments. It may be useful for professionals engaged in deception detection to regularly discuss their judgments with colleagues as a form of feedback in order to re‐evaluate their own decision‐making strategies.
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 | 0,000 | 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 | 0,001 |
| 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) | 0,001 | 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