Politicians, the Representativeness Heuristic and Decision-Making Biases
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
Abstract Do politicians use the representativeness heuristic when making judgements, that is, when they appraise the likelihood or frequency of an outcome that is unknown or unknowable? Heuristics are cognitive shortcuts that facilitate judgements and decision making. Oftentimes, heuristics are useful, but they may also lead to systematic biases that can be detrimental for decision making in a representative democracy. Thus far, we lack experimental evidence on whether politicians use the representativeness heuristic. To contribute to and extend the existing literature, we develop and conduct a survey experiment with as main participants Dutch elected local politicians from the larger municipalities (n = 211). This survey experiment examines whether politician participants display two decision-making biases related to the representativeness heuristic: the conjunction error and scope neglect. We also run the experiment with a student sample (n = 260), mainly to validate the experimental design. Our findings show that politician participants neglect scope in one scenario and that they display the conjunction error in two of three scenarios. These results suggest that politician participants use the representativeness heuristic. Conversely, our third conjunction error scenario does not find evidence for politician participants displaying this bias. As we discuss in the article, the latter may be an artifact of our experimental design. Overall, our findings contribute fundamentally to our understanding of how politicians process information and how this influences their judgements and decision making.
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 | 0,016 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle