The evolution of disgust for pathogen detection and avoidance
Notice bibliographique
Résumé
The behavioral immune system posits that disgust functions to protect animals from pathogen exposure. Therefore, cues of pathogen risk should be a primary driver influencing variation in disgust. Yet, to our knowledge, neither the relationship between current pathogen risk and disgust, nor the correlation between objective and perceived pathogen risk have been addressed using ecologically valid measures in a global sample. The current article reports two studies addressing these gaps. In Study 1, we include a global sample (n = 361) and tested the influence of both perceived pathogen exposure and an objective measure of pathogen risk-local communicable infectious disease mortality rates-on individual differences in pathogen and sexual disgust sensitivities. In Study 2, we first replicate Study 1's analyses in another large sample (n = 821), targeting four countries (US, Italy, Brazil, and India); we then replaced objective and perceived pathogen risk with variables specific to the SARS-CoV-2 pandemic. In Study 1, both local infection mortality rates and perceived infection exposure predicted unique variance in pathogen and sexual disgust. In Study 2, we found that perceived infection exposure positively predicted sexual disgust, as predicted. When substituting perceived and objective SARS-CoV-2 risk in our models, perceived risk of contracting SARS-CoV-2 positively predicted pathogen and sexual disgust, and state case rates negatively predicted pathogen disgust. Further, in both studies, objective measures of risk (i.e., local infection mortality and SARS-CoV-2 rates) positively correlated with subjective measures of risk (i.e., perceived infection exposure and perceived SARS-CoV-2 risk). Ultimately, these results provide two pieces of foundational evidence for the behavioral immune system: 1) perceptions of pathogen risk accurately assay local, objective mortality risk across countries, and 2) both perceived and objective pathogen risk explain variance in disgust levels.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».