Is trust a zero-sum game? What happens when institutional sources get it wrong
Notice bibliographique
Résumé
Trust in mainstream institutions is declining while people are increasingly turning to alternative media and conspiracy theories. Previous research has suggested that these trends may be linked, but the dynamics of trust across multiple sources has received little investigation. Is trust a neutral process, where each source is judged independently, is it a zero-sum competition, where a loss for one side is a gain for the other, or does losing trust in one source in foster a more generalized sense of distrust? Across three experimental studies (N = 2,951) we examined how people react when a source makes a serious error, testing four potential models of trust dynamics. We found that regardless of whether the outlet is mainstream, counter-mainstream, or neutral, trust drops for the erring source but does not rise for its competitors. This was the case in the context of both food regulations and COVID-19 precautions. Such a pattern suggest that each source may be judged independently of others. However, in several cases, an error made by one source led to a loss of trust in all sources, suggesting that rather than choosing sides between competing sources, people are also judging the media landscape as a whole to discern if it is feasible to find trustworthy information. However, correlational data did also find that the more people saw a source as politicized, the less they trusted that source and the more they trusted its competitors.
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 | 0,014 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».