How Can Debiasing Research Aid Efforts to Reduce Discrimination?
Notice bibliographique
Résumé
Academic Abstract Understanding and reducing intergroup discrimination is at the forefront of psychological research. However, efforts to find flexible, scalable, and durable interventions to reduce discrimination have produced only mixed results. In this review, we highlight one potential avenue for developing new strategies for addressing discrimination: adapting prior research on debiasing—the process of lessening bias in judgment errors (e.g., motivated reasoning, overconfidence, and the anchoring heuristic). We first introduce a taxonomy for understanding intervention strategies that are common in the debiasing literature, then highlight existing approaches that have already proven successful for decreasing intergroup discrimination. Finally, we draw attention to promising debiasing interventions that have not yet been applied to the context of discrimination. A greater understanding of prior efforts to mitigate judgment biases more generally can expand efforts to reduce discrimination. Public Abstract Scientists studying intergroup biases are often concerned with lessening discrimination (unequal treatment of one social group versus another), but many interventions for reducing such biased behavior have weak or limited evidence. In this review article, we argue one productive avenue for reducing discrimination comes from adapting interventions in a separate field—judgment and decision-making—that has historically studied “debiasing”: the ways people can lessen the unwanted influence of irrelevant information on decision-making. While debiasing research shares several commonalities with research on reducing intergroup discrimination, many debiasing interventions have relied on methods that differ from those deployed in the intergroup bias literature. We review several instances where debiasing principles have been successfully applied toward reducing intergroup biases in behavior and introduce other debiasing techniques that may be well-suited for future efforts in lessening discrimination.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».