Doing things intentionally: Probability raising and control
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
Intentionality judgments can depend on probability raising—people are more likely to see a desired outcome as intentional if the agent who produced it did something to increase its odds. However, intentionality also depends on related factors such as the agent's skill, ability, and control over the outcome. In three experiments (total N = 1074), we investigated how probability raising relates to these factors, and whether it makes distinct contributions to judgments of intentionality. Participants saw vignettes where an agent got a winning ball from a lottery machine. In all experiments, participants gave higher ratings of both intentionality and control in conditions where the agent increased her odds of success than in conditions where she did not. This pattern suggests that probability raising and control are closely linked. The findings of our third experiment, though, also suggest that probability raising may uniquely contribute to attributions of intentionality. In this experiment, the agent received a winning ball after taking an action that unpredictably either increased or decreased her odds of success. Participants gave higher intentionality ratings when this action happened to increase the odds. But participants also showed this pattern when rating control, even though the agent's control did not vary across conditions. These results suggest that probability raising contributes to intentionality even when control does not, and moreover suggest that people may use probability raising to inform attributions of control. However, we also discuss the possibility that control and probability raising are not distinct, and amount to the same thing.
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 | 0,003 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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