Experimental evidence of subtle victim blame in the absence of explicit blame
Notice bibliographique
Résumé
We argue that people will often eschew explicit victim blame (e.g., claiming that "X is to blame") because it is counternormative and socially undesirable, yet they might still engage in subtle victim blame by attributing victims' suffering to behaviors the victims can control (i.e., "high control causes"). We found support for this argument in three online studies with US residents. In Studies 1 and 2, participants viewed a victim posing either a high threat to the need to believe in a just world, which should heighten the motivation to engage in victim blame, or a low threat. They then rated explicit blame items and attributions for the victim's suffering. Explicit blame was low overall and not influenced by victim threat. However, participants attributed the high threat victim's suffering, more than the low threat victim's suffering, to high control causes, thus showing a subtle blame effect. In Study 2, explicit blame and subtle blame were less strongly associated (in the high threat condition) for individuals high in socially desirable responding. These results are consistent with our argument that explicit and subtle blame diverge in part due to social desirability concerns. In Study 3, most participants believed others viewed the explicit blame items, but not the attribution items, as assessing blame. Thus, attributions to high control causes can be seen as "subtle" in the sense that people believe others will view such statements as reflecting constructs other than blame. Our studies suggest a way of responding to innocent victims that could be particularly relevant in a modern context, given increasing social undesirability of various negative responses to disadvantaged and victimized individuals.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; 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 ».