Explanations of and interventions against affective polarization cannot afford to ignore the power of ingroup norm perception
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Affective polarization, or animosity toward opposing political groups, is a fundamentally intergroup phenomenon. Yet, prevailing explanations of it and interventions against it have overlooked the power of ingroup norm perception. To illustrate this power, we begin with evidence from 3 studies which reveal that partisans' perception of their ingroup's norm of negative attitudes toward the outgroup is exaggerated and uniquely predicts their own polarization-related attitudes. Specifically, our original data show that in predicting affective polarization (i.e. how one feels about one's partisan outgroup), the variance explained by ingroup norm perception is 8.4 times the variance explained by outgroup meta-perception. Our reanalysis of existing data shows that in predicting support for partisan violence (i.e. how strongly one endorses and is willing to engage in partisan violence), ingroup norm perception explains 52% of the variance, whereas outgroup meta-perception explains 0%. Our pilot experiment shows that correcting ingroup norm perception can reduce affective polarization. We elucidate the theoretical underpinnings of the unique psychological power of ingroup norm perception and related ingroup processes. Building on these empirical and theoretical analyses, we propose approaches to designing and evaluating interventions that leverage ingroup norm perception to curb affective polarization. We specify critical boundary conditions that deserve prioritized attention in future intervention research. In sum, scientists and practitioners cannot afford to ignore the power of ingroup norm perception in explaining and curbing affective polarization.
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.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle