The honesty behind tears: Situational, individual, and cultural influences on the perception of emotional tears as sincere
Notice bibliographique
Résumé
Emotional tears have been considered honest and sincere signals, most likely because they are difficult to shed on demand. At the same time, people acknowledge that tears can be strategically used to manipulate others - so-called crocodile tears. Hence, the question arises under what circumstances tears are perceived as honest signals and when as crocodile tears. Here, we investigate this question across three experimental studies and diverse populations. In a preliminary study (N = 7,007), we obtain the first evidence that emotional tears can increase perceptions of honesty, which might vary according to the situational context or the gender of the target. In two main studies (N = 3,488) using a varied pool of standardized and non-standardized portraits of tearful and non-tearful targets presented in different potentially manipulative vs. non-manipulative contexts and varied in their warmth, we test perceptions of honesty across five countries (Norway, Poland, South Africa, Canada, and the UK). Overall, the main effects are weak and suggest that perceptions of honesty depend on target characteristics, situational factors, and observer characteristics. We observe some evidence that emotional tears increase perceptions of honesty more strongly for targets low in warmth (experimentally manipulated via facial features or via target gender), which also affects support intentions. Manipulative contexts slightly reduced perceptions of honesty, but these effects were moderated by target characteristics. Individuals scoring high on psychopathy showed lower ratings of honesty for targets with emotional tears. Together, these findings provide further evidence that whether emotional tears signal honesty likely depends on various individual, situational, and cultural factors. The small effect sizes call for improved manipulations and more ecologically valid designs in the future.
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 | 0,002 | 0,008 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».