Confidence Can Be Used to Discriminate Between Accurate and Inaccurate Lie Decisions
Notice bibliographique
Résumé
There is a long-standing belief that confidence is not useful at discriminating between accurate and inaccurate deception decisions. Historically, this position made sense because people showed little ability to discriminate lie-tellers from truth-tellers. But, it is now widely accepted that, under certain conditions, people can discriminate between lie-tellers and truth-tellers. Nevertheless, belief that confidence does not discriminate between accurate and inaccurate responses persists. This belief is somewhat paradoxical because, to the extent that people can discriminate between lie-tellers and truth-tellers, signal detection theory naturally predicts a positive relationship between confidence and accuracy. In line with our signal-detection-based predictions, we show that, among decisions about whether someone is lying, those made with high confidence are more accurate than those made with low confidence. This important relationship has gone unnoticed in past work because of a reliance on inappropriate measures. Past research examining the confidence-accuracy relationship in deception research relied on correlating average confidence with proportion of correctly identified lies. These correlations provide information on whether more confident judges tend to be more accurate but remain silent on the arguably more important question of whether higher confidence decisions are more accurate than lower confidence decisions. We show that confidence-accuracy characteristic analyses are uniquely suited to measuring the confidence-accuracy relationship in deception research.
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 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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».