Notice bibliographique
Résumé
The present research develops a predictive model of prejudice. For nearly a century, psychology and other fields have sought to scientifically understand and describe the causes of prejudice. Numerous theories of prejudice now exist. Yet these theories are overwhelmingly defined verbally and thus lack the ability to precisely predict when and to what extent prejudice will emerge. The abundance of theory also raises the possibility of undetected overlap between constructs theorized to cause prejudice. Predictive models enable falsification and provide a way for the field to move forward. To this end, here we present 18 studies with ∼5,000 participants in seven phases of model development. After initially identifying major theorized causes of prejudice in the literature, we used a model selection approach to winnow constructs into a parsimonious predictive model of prejudice (Phases I and II). We confirm this model in a preregistered out-of-sample test (Phase III), test variations in operationalizations and boundary conditions (Phases IV and V), and test generalizability on a U.S. representative sample, an Indian sample, and a U.K. sample (Phase VI). Finally, we consulted the predictions of experts in the field to examine how well they align with our results (Phase VII). We believe this initial predictive model is limited and bad, but by developing a model that makes highly specific predictions, drawing on the state of the art, we hope to provide a foundation from which research can build to improve science of prejudice. (PsycInfo Database Record (c) 2024 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 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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».