Comfort in big numbers: Does over-estimation of doping prevalence in others indicate self-involvement?
Notice bibliographique
Résumé
BACKGROUND: The 'False Consensus Effect' (FCE), by which people perceive their own actions as relatively common behaviour, might be exploited to gauge whether a person engages in controversial behaviour, such as performance enhancing drug (PED) use. HYPOTHESIS: It is assumed that people's own behaviour, owing to the FCE, affects their estimation of the prevalence of that behaviour. It is further hypothesised that a person's estimate of PED population use is a reliable indicator of the doping behaviour of that person, in lieu of self-reports. TESTING THE HYPOTHESIS: Over- or underestimation is calculated from investigating known groups (i.e. users vs. non-users), using a short questionnaire, and a known prevalence rate from official reports or sample evidence. It is proposed that sample evidence from self-reported behaviour should be verified using objective biochemical analyses.In order to find proofs of concept for the existence of false consensus, a pilot study was conducted. Data were collected among competitive UK student-athletes (n = 124) using a web-based anonymous questionnaire. User (n = 9) vs. non-user (n = 76) groups were established using self-reported information on doping use and intention to use PEDs in hypothetical situations. Observed differences in the mean estimation of doping made by the user group exceeded the estimation made by the non-user group (35.11% vs. 15.34% for general doping and 34.25% vs. 26.30% in hypothetical situations, respectively), thus providing preliminary evidence in support of the FCE concept in relation to doping. IMPLICATIONS OF THE HYPOTHESIS: The presence of the FCE in estimating doping prevalence or behaviour in others suggests that the FCE based approach may be an avenue for developing an indirect self-report mechanism for PED use behaviour. The method may be successfully adapted to the estimation of prevalence of behaviours where direct self-reports are assumed to be distorted by socially desirable responding. Thus this method can enhance available information on socially undesirable, health compromising behaviour (i.e. PED use) for policy makers and healthcare professionals. The importance of the method lies in its usefulness in epidemiological studies, not in individual assessments.
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 | 0,011 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».