Scale dichotomization reduces customer racial discrimination and income inequality
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
Online platforms are rife with racial discrimination1, but current interventions focus on employers2,3 rather than customers. We propose a customer-facing solution: changing to a two-point rating scale (dichotomization). Compared with the ubiquitous five-star scale, we argue that dichotomization reduces modern racial discrimination by focusing evaluators on the distinction between ‘good’ and ‘bad’ performance, thereby reducing how personal beliefs shape customer assessments. Study 1 is a quasi-natural experiment on a home-services labour platform (n = 69,971) in which the company exogenously changed from a five-star scale to a dichotomous scale (thumbs up or thumbs down). Dichotomization eliminated customers’ racial discrimination whereby non-white workers received lower ratings and earned 91 cents for each US dollar paid to white workers for the same work. A pre-registered experiment (study 2, n = 652) found that the equalizing effect of dichotomization is most prevalent among evaluators holding modern racist beliefs. Further experiments (study 3, n = 1,435; study 4, n = 528) provide evidence of the proposed mechanism, and eight supplementary studies support measurement and design choices. Our research offers a promising intervention for reducing customers’ subtle racial discrimination in a large section of the economy and contributes to the interdisciplinary literature on evaluation processes and racial inequality. Changing from a five-point scale to a two-point scale for rating workers reduces racial discrimination by making customers focus on whether the work was good or bad instead of their own personal biases.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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