Exploring intellectual humility through the lens of artificial intelligence: Top terms, features and a predictive model
Notice bibliographique
Résumé
Intellectual humility (IH) is often conceived as the recognition of, and appropriate response to, your own intellectual limitations. As far as we are aware, only a handful of studies look at interventions to increase IH - e.g. through journalling - and no study so far explores the extent to which having high or low IH can be predicted. This paper uses machine learning and natural language processing techniques to develop a predictive model for IH and identify top terms and features that indicate degrees of IH. We trained our classifier on the dataset from an existing psychological study on IH, where participants were asked to journal their experiences with handling social conflicts over 30 days. We used Logistic Regression (LR) to train a classifier and the Linguistic Inquiry and Word Count (LIWC) dictionaries for feature selection, picking out a range of word categories relevant to interpersonal relationships. Our results show that people who differ on IH do in fact systematically express themselves in different ways, including through expression of emotions (i.e., positive, negative, and specifically anger, anxiety, sadness, as well as the use of swear words), use of pronouns (i.e., first person, second person, and third person) and time orientation (i.e., past, present, and future tenses). We discuss the importance of these findings for IH and the value of using such techniques for similar psychological studies, as well as some ethical concerns and limitations with the use of such semi-automated classifications.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».