MétaCan
Menu
Retour à la cohorte
Enregistrement W4283361691 · doi:10.1177/00222437221112312

“It Could Be Better” Can Make It Worse: When and Why People Mistakenly Communicate Upward Counterfactual Information

2022· article· en· W4283361691 sur OpenAlexaff
Xilin Li, Christopher K. Hsee, Ed O’Brien

Notice bibliographique

RevueJournal of Marketing Research · 2022
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensBooth University College
Organismes subventionnairesnon disponible
Mots-clésCounterfactual thinkingReal estateIdeal (ethics)PsychologyComputer scienceSocial psychologyEconomicsEpistemologyPhilosophy

Résumé

récupéré en direct d'OpenAlex

Imagine you are a real estate agent and are showing a prospective buyer a house with a lake view, but it is foggy, and the view is less than ideal. Are you inclined to tell the prospective buyer, “Unfortunately, it is foggy outside. If it were not foggy, the view would be even better!”? Eight studies, spanning diverse domains, reveal a novel discrepancy: most presenters (e.g., the seller) choose to communicate such upward counterfactual information (UCI) to experiencers (e.g., the prospective buyer), believing it will enhance experiencers’ impressions (e.g., of the house)—yet UCI actually worsens their impressions. This discrepancy arises because presenters insufficiently account for the fact that they possess more knowledge about the presented target than experiencers do; they fail to realize that noting an imperfection reveals it. Accordingly, when experiencers are knowledgeable about the target, either because the imperfection is obvious or because they can easily envision the upward counterfactual, the discrepancy attenuates. Finally, the presenter–experiencer discrepancy occurs only when the counterfactual information is upward, such that presenters do not overcommunicate downward counterfactual information, which rules out a desire to share any information as an alternative mechanism for presenters’ communication decisions. Together, this research highlights the prevalence and costs of sharing UCI.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,084
score de la tête « metaresearch » (Gemma)0,016
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,390
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0840,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,268
Tête enseignante GPT0,450
Écart entre enseignants0,183 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Marketing ResearchMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207