Walk the Talk: The Effects of Apology and Reparation After Acts of Prejudice
Notice bibliographique
Résumé
ABSTRACT In an era of abundant high‐profile apologies, many of which are perceived to be cheap and insincere, it is crucial to understand what constitutes a meaningful response from a high‐status perpetrator. Across three studies using a 2 (apology: present, absent) × 2 (reparation: present, absent) within‐subjects design, we presented participants ( N total = 300) with 16 vignettes describing prejudicial harm and assessed the unique effects of apology and reparation on perceptions of the perpetrators' subsequent responses. We additionally examined whether apology and reparation operate via a cognitive mechanism (reevaluation of the harm itself) or via a relational mechanism (identification with the perpetrator). As predicted, the presence of an apology and of reparation each independently predicted more positive perceptions of the perpetrator's response. Reparation exerted a stronger effect than apology on ratings of response quality (Study 1) and on ratings of the response's impact (Studies 2 and 3); in some cases, if reparation was present, apology did not add value. Our findings suggest that, while apology operates primarily via a relational mechanism, reparation operates via both cognitive and relational mechanisms. Additionally, responses were perceived more favorably overall in the context of close relationships (Study 3), which contributes to existing evidence that relational closeness buffers against negative attributions about the perpetrator and their motives. We suggest that while apology and reparation are each key to an effective response, reparation plays a particularly important role in predicting positive reception to a response to prejudicial harm.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».