Rejecting People-First Language: Predictors and Causes of the Use of Noun-Based Mental Disorder Labels
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
Psychiatric noun labels such as ‘schizophrenic’ carry with them a host of negative beliefs, attitudes and assumptions, but no research to date has demonstrated a causal link between negative portrayals of a person with mental illness and the tendency to describe such an individual with a noun. The current research investigated (1) whether depicted violence increases the use of noun labels to describe an individual with a psychological disorder, and (2) whether dehumanization processes and/or perceived threat of the target person mediate this relationship. University undergraduates (N = 313) read two mock newspaper stories in counterbalanced order: one depicting a man with schizophrenia committing a nonviolent crime and one depicting a man with schizophrenia committing a highly violent crime. Participants completed measures of dehumanization and perceived threat in relation to the target individual in each scenario. Respondents were then tasked with selecting seven headlines for each of the two news stories, in each case choosing between headlines employing either a noun label (e.g., Schizophrenic Snaps) or a possessive label (e.g., Person with Schizophrenia Snaps). As predicted, violent depictions of a person with schizophrenia increased the use of noun label headlines, and dehumanization processes were found to mediate this relationship. Several implications of these findings are discussed. Discipline: Psychology Faculty Mentor: Dr. Andrew Howell
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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