Do you make a better or worse impression than you think?
Notice bibliographique
Résumé
= 1,336), we indexed metabias (i.e., the mean-level difference between metaperceptions and impressions) on a broad range of attributes to test: (a) how biased people are on average, (b) whether bias is pervasive or limited to particular contexts (level of acquaintanceship) or attributes (e.g., liking judgments or traits), (c) whether bias is consistent across attributes, and (d) what explains bias. On average, participants demonstrated a negative metabias on most attributes for both new and well-known acquaintances, suggesting that people generally fail to appreciate how positively they are seen by others. However, there was variability around this average such that, whereas most participants were negatively biased (48%), many were accurate (34%), and some were positively biased (18%). Bias was also consistent across traits, suggesting that knowing people's metabias for one attribute offers some insight into their relative bias for other attributes. What explained metabias? Generally, people relied too much on their self-perceptions, which were more negative than the impressions they made, although bias for new acquaintances involved additional factors. That said, people understood that others saw them more positively than how they saw themselves, but they did not understand the extent of this positivity. These results offer a general framework for understanding metabias and add to the growing literature, demonstrating that people are not positively biased. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,008 |
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 ».