Disclosing sample bias fails to fully correct judgments of partisan extremity
Notice bibliographique
Résumé
How do we infer the beliefs of an entire group (e.g., Democrats) after being exposed to the beliefs of only a handful of group members? What if we know that the beliefs we encountered were selected in a biased manner? Across two experiments, we recruited 640 U.S. residents and assessed whether they could recognize and correct for such sample bias. Some participants viewed biased samples that exclusively featured the political opinions of extreme partisans, while others viewed representative samples free from selection biases. Results suggest that people do attempt to correct for known sample bias, but their efforts are often insufficient, leading them to make inaccurate inferences that align with sample bias. Specifically, participants tended to overestimate the ideological extremity of both Democrats and Republicans to a greater extent when exposed to explicitly biased samples, as opposed to representative ones. They also perceived members of the political party in question as holding more homogenous views, presumably because samples of extreme party members' views tend to have less variability than representative samples. Perhaps as a consequence, participants exposed to what they knew to be a biased sample, and who subsequently gave more biased estimates, did not express lower confidence in their estimates compared to participants who were shown representative samples. We discuss how a tendency to insufficiently adjust for transparently biased samples may contribute to partisan misperceptions that fuel political 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.
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 | 0,000 | 0,001 |
| 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 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 ».