What defines Traits, Reputations, and Identity? Personality item content in multi-rater judgments
Notice bibliographique
Résumé
Personality self- and informant-reports have been ascribed complementary value based on the asymmetric knowledge of the two perspectives. However, this study is the first to investigate what personality (item) content is reflected in the shared and unique components in multi-rater personality judgments. In two large data sets (Sample 1: 664 targets/1,615 informants; Sample 2: 478 targets/1,434 informants), we used latent variable models to separate judgments into variance that is shared across targets and informants (the Trait factor), unique to self-reports (Identity), and unique to informant-reports (Reputation). Then, we predicted the personality items’ loadings for each factor from the items’ content. This included items’ affective, behavioral, cognitive, or desire-related content, observability and evaluativeness, and centrality to identity or reputation. We found that Trait consensus was generally promoted by items reflecting observable, behavioral, but also affective content. Unique self-perceptions were captured especially by cognitions and non-observable content. Evaluativeness had inconsistent effects across samples. Similarly, unique informant-views reflected different content across samples. Both may depend on the types of informants or the available item sample. These insights build the foundation for leveraging the power of multi-rater perspectives on personality for advancing theory and measurement across different perspectives.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».