Using Multi-Informant Ratings to Distinguish Generality and Context Specificity in Personality
Notice bibliographique
Résumé
Distinguishing generality and context specificity in personality is a one of the grand challenges of psychology. Extant research attempts to tackle this challenge by examining the agreement (or, consensus) between informants who rate targets’ personality traits in different contexts (e.g., the consensus between family and friends), but this literature is highly fragmented. Accordingly, we present a new theoretical framework that synthesizes theories of person-situation interaction into three parameters whereby contexts influence personality expression and perception: Adherence (i.e., generality), adaptation (i.e., context specificity), and acuity (i.e., perceptual accuracy). We then test this framework by examining cross-context consensus among informant ratings of Big Five personality traits in a meta-analysis (k = 43 samples, Ntargets = 6,363) spanning four contexts (i.e., family, friends, colleagues, strangers) and a primary sample (Ntargets = 6,120) spanning four workplace roles (i.e., supervisors, peers, subordinates, clients). Across traits and contexts, cross-context consensus is moderate among informant ratings of personality (mean r = .24). Consensus is stronger when informants rate extraversion or when they are well-acquainted with targets (i.e., family, friends, colleagues), but it is relatively homogenous across workplace roles. Surprisingly, the primary obstacle to consensus is not inconsistent behavior by targets, but informants who are error-prone in their personality ratings. After correcting for this error, we find that approximately 80% of targets’ personality expressions generalize across contexts and 20% are context specific. We conclude by discussing contributions and implications of findings, as well as limitations and future research directions.
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 | 0,032 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».