Replicating the Creativity-Order Tradeoff with More Conservative Time Series Models
Notice bibliographique
Résumé
A new wave of research on psychology and culture uses longitudinal models and time series analyses to test questions about the relationship between culture and human behavior. In 2019, we contributed to this new literature with a paper titled “The loosening of American norms is associated with a creativity-order tradeoff” in which we found that the United States had grown less culturally “tight”—less restrictive, and more tolerant of people who break social norms—from 1800 to 2000. We also found that declines in cultural tightness—even after controlling for linear time trends, cultural collectivism, and Gross Domestic Product (GDP) per capita—were linked to higher levels of creativity (more patents, more trademarks, more feature films produced, more unorthodox baby names) and lower levels of order (higher rates of high school truancy, higher rates of adolescent pregnancy, higher levels of debt).This brief paper updates our analyses with more conservative time series models. The study of cultural change has methodologically advanced since we first conducted our analysis, and we are more aware—partly due to helpful discussions with other scholars in the field—of challenges associated with autocorrelation and underlying trends in cultural time series data. With this greater awareness, we sought to re-analyze our analysis with more conservative models for two main reasons. First, this re-analysis is important for testing whether our findings are still valid with more conservative models. Second, this procedure may help teach other researchers of cultural change about best practices when conducting time series analyses of cultural change.
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 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 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».