MétaCan
Menu
Retour à la cohorte
Enregistrement W4393858146 · doi:10.1016/j.cognition.2024.105774

Emotions before actions: When children see costs as causal

2024· article· en· W4393858146 sur OpenAlexafffund
Claudia G. Sehl, Ori Friedman, Stephanie Denison

Notice bibliographique

RevueCognition · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaNatural Sciences and Engineering Research Council of Canada
Mots-clésPsychologyCognitive psychologyCognitionDevelopmental psychologySocial psychologyNeuroscience

Résumé

récupéré en direct d'OpenAlex

Adults expect people to be biased by sunk costs, but young children do not. We tested between two accounts for why children overlook the sunk cost bias. On one account, children do not see sunk costs as causal. The other account posits that children see sunk costs as causal, but unlike adults, think future actions cannot make up for sunk costs. These accounts make opposing predictions about whether children should see sunk costs as affecting emotions. Across three experiments, 4-7-year-olds (total N = 320) and adults (total N = 429) saw stories about characters who collected items that were easy or difficult to obtain, and predicted characters' emotions and actions. At all ages, participants anticipated that characters would feel sadder about high-cost objects, but only adults predicted that characters would keep high-cost objects. Our findings show that children see incurred costs as causal, and that costs are integrated children's and adults' theory of emotions. Moreover, the findings suggest that developmental differences in sunk cost reasoning may rest in children's incomplete mental accounting. We also discuss children's reasoning about rational and irrational action.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0030,004
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,123
Tête enseignante GPT0,414
Écart entre enseignants0,291 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCognitionMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207