A multi-rater framework for studying personality: The trait-reputation-identity model.
Notice bibliographique
Résumé
Personality and social psychology have historically been divided between personality researchers who study the impact of traits and social-cognitive researchers who study errors in trait judgments. However, a broader view of personality incorporates not only individual differences in underlying traits but also individual differences in the distinct ways a person's personality is construed by oneself and by others. Such unique insights are likely to appear in the idiosyncratic personality judgments that raters make and are likely to have etiologies and causal force independent of trait perceptions shared across raters. Drawing on the logic of the Johari window (Luft & Ingham, 1955), the Self-Other Knowledge Asymmetry Model (Vazire, 2010), and Socioanalytic Theory (Hogan, 1996; Hogan & Blickle, 2013), we present a new model that separates personality variance into consensus about underlying traits (Trait), unique self-perceptions (Identity), and impressions conveyed to others that are distinct from self-perceptions (Reputation). We provide three demonstrations of how this Trait-Reputation-Identity (TRI) Model can be used to understand (a) consensus and discrepancies across rating sources, (b) personality's links with self-evaluation and self-presentation, and (c) gender differences in traits. We conclude by discussing how researchers can use the TRI Model to achieve a more sophisticated view of personality's impact on life outcomes, developmental trajectories, genetic origins, person-situation interactions, and stereotyped judgments. (PsycINFO Database Record
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 | 0,088 | 0,146 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».