Hater_etal_The Social Meta-Accuracy Model_JPSP_preprint
Notice bibliographique
Résumé
To what extent do individuals differ in understanding how others see them and who is particularly good at it? Answering these questions about the “good meta-perceiver” is relevant given the beneficial outcomes of meta-accuracy. However, there likely is more than one type of the good meta-perceiver: one who knows the specific impressions they make more than others do (dyadic meta-accuracy) and one who knows their reputation more than others do (generalized meta-accuracy). To identify and understand these good meta-perceivers, we introduce the Social Meta-Accuracy Model (SMAM) as a statistical and conceptual framework and apply the SMAM to four samples of first impression interactions. As part of our demonstration, we also investigated the routes to and the correlates of both types of good meta-perceivers. Results from SMAM show that, overall, people were able to detect the unique and general first impressions they made, but there was little evidence for individual differences in dyadic meta-accuracy in a first impression. In contrast, there were substantial individual differences in generalized meta-accuracy, and this ability was largely explained by being transparent (i.e., good meta-perceivers were seen as they saw themselves). We also observed some evidence that good generalized meta-perceivers in a first impression tend to be extraverted and popular. This work demonstrated that the SMAM is a useful tool for identifying and understanding both types of good meta-perceivers and paves the way for future work on individual differences in meta-accuracy in other contexts.
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 | 0,006 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 0,006 |
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 ».