Implicit bias against non-Americans in the United States: Cognitive underpinnings and ecological correlates
Notice bibliographique
Résumé
Of the 330 million residents of the United States, over 40 million were born abroad. Such individuals are routinely referred to using labels such as “alien,” “foreigner,” and “noncitizen.” In this multimethod project relying on data from 5,437 U.S. citizens in experimental studies and 125,126 U.S. citizens in archival studies, we examine implicit (automatic) evaluations of non-Americans in the United States, their effects on impression formation, and their ecological correlates in the form of real-life outcomes. In Studies 1A–1C, the labels “alien,” “foreigner,” and “noncitizen” were found to be highly and similarly implicitly negative. In Studies 2A–2D, applying these labels to specific individuals created immediate implicit negativity toward them, irrespective of their gender or race. Finally, pro-American/anti-foreigner implicit evaluations predicted anti-immigrant policy positions at the level of individuals (Study 3A), and a conceptually and statistically related implicit White–American/Asian–foreign implicit stereotype predicted anti-immigrant voting patterns in 18 relevant ballot initiatives at the level of U.S. counties (Study 3B). Across studies, implicit anti-foreigner bias generalized across participant demographics but was somewhat stronger among men and political conservatives. Together, this work highlights the cognitive underpinnings and real-world correlates of robust and pervasive anti-foreigner biases in the United States.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».