Motivational effects on empathic choices
Notice bibliographique
Résumé
Empathy often feels automatic, but variations in empathic responding suggest that, at least some of the time, empathy is affected by one’s motivation to empathize in any particular circumstance. Here, we show that people can be motivated to engage in (or avoid) empathy-eliciting situations with strangers, and that these decisions are driven by subjective value-based estimations of the costs (e.g., cognitive effort) and benefits (e.g., social reward) inherent to empathizing. Across seven experiments (overall N = 1,348), and replicating previous work (Cameron et al., 2019), we found a robust empathy avoidance effect. We also find support for the hypothesis that individuals can be motivated to opt-in to situations requiring empathy that they would otherwise avoid. Participants were more likely to opt into empathy-eliciting situations if 1) they were incentivized monetarily for doing so (Experiments 1a and 1b), and 2) if a more familiar and liked empathy target was available (Experiments 2a and 2b). Framing empathy as explicitly related to one’s moral character and reputation did not motivate participants to engage in empathy (Experiment 3a and 3c), though these null results may be due to a weak manipulation. These findings suggest that empathy can be motivated in multiple ways, and is a process driven by context-specific value-based 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.
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 | 0,002 | 0,009 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».