Ethics at the Fringe: Using Novel Methods & Data to Answer Imperative Questions in Behavioral Ethics
Notice bibliographique
Résumé
Behavioral Ethics has come to be viewed as a legitimate sub-field of Organizational Behavior only recently. To date, the field has largely focused on a critical but relatively narrow set of dependent variables (dominantly: lying, cheating, and stealing), and a relatively narrow set of methods (lab experiments and survey data using self- or other-reported unethical behavior). Though this work has been crucial in developing our understanding of the psychological processes that underpin specific types of unethical behavior, the application of these findings may not extend to the diverse and wide-ranging set of unethical practices that we, as a society, need to better understand. In this symposium, we focus on ethics at the fringe – the research questions, unethical behaviors, settings, and methodologies that have remained largely neglected by the field. The papers in this symposium examine extreme, relatively rare unethical behaviors, including workplace violence, mass shootings, political scandals, inappropriate prescribing, and illicit workplace romance. The empirical approaches utilize a variety of methodologies, ranging from archival data analysis to natural field experiments. Workplace Violence: A Schema Perspective Presenter: Katherine Ann DeCelles; U. of Toronto Presenter: Nir Halevy; Stanford U. Business as Usual: Consumer Behavior Following Mass Shootings in America Presenter: Lamar Pierce; Washington U. in St. Louis Presenter: Daniel Snow; Oxford U., Saïd Business School Presenter: Dennis Zhang; Washington U. in St. Louis Crossing the Line or Creating the Line: Media Effects in the 2009 British MP Expense Scandal Presenter: Jonathan Nicholas Bundy; Arizona State U. Social Influence and the Initiation and Cessation of Inappropriate Prescribing Presenter: Shu Zhang; Yale School of Management Forbidden Yet Functional: A Self Categorization Model of Illicit Workplace Romance Presenter: Keith Norman Leavitt; Oregon State U. Presenter: Christopher Barnes; U. of Washington
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 | 0,325 | 0,511 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,008 | 0,070 |
| Communication savante | 0,023 | 0,034 |
| Science ouverte | 0,005 | 0,013 |
| Intégrité de la recherche | 0,007 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».