Dangerously Close: The Reciprocal Link Between Social Closeness and Bad Behavior
Notice bibliographique
Résumé
Reducing unethical behavior is an important goal for many organizations. Prior research demonstrates that social closeness – i.e., psychological or real social proximity to others – may reduce unethical behavior. Simply feeling close to others, using gestures to signal interpersonal closeness, belonging to a tight knit group, or being in a high density social network typically leads to less selfish and more other-focused, moral behavior. In the current symposium we explore the limitations of social closeness. This symposium engages a comprehensive methodological approach in order to understand when social closeness may have negative consequences, spanning levels of analysis from intrapersonal to social network. First, Lucas and Livingston explore how feeling socially connected increases people’s willingness to harm others in moral dilemmas (intrapersonal level). Next, Schroeder, Fishbach, Schein, and Gray demonstrate when intimate interactions lead to antisocial behavior (interpersonal level). Third, Effron and Knowles show how group entitativity licenses out- group prejudice (intragroup level). Finally, in a test of the reciprocal link, Lee, Im, and Parmar demonstrate how behaving unethically promotes the activation of a high-density network (social network level). By demonstrating the limitations of social closeness to promote ethical behavior, we identify potential areas for future theory building and research. Feeling Socially Connected Increases Utilitarian Choices in Moral Dilemmas Presenter: Brian Lucas; Northwestern Kellogg School of Management Presenter: Robert W. Livingston; U. of Sussex Thick as Thieves? Consequences of Dishonest Behavior on Egocentric Social Network Presenter: Jooa Julia Lee; Harvard U. Presenter: Dong-Kyun Im; U. of Seoul Presenter: Bidhan Parmar; U. of Virginia People Behave Antisocially in Intimate Instrumental Interactions Presenter: Juliana Schroeder; The U. of Chicago Presenter: Ayelet Fishbach; The U. of Chicago Presenter: Chelsea Schein; U. of North Carolina, Chapel Hill Presenter: Kurt Gray; U. of North Carolina, Chapel Hill How Belonging to a Cohesive Group Allows People to Express Their Prejudices Presenter: Daniel A. Effron; London Business School Presenter: Eric David Knowles; U. of California, Irvine
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».