Seven Empathy Myths: Correcting Misconceptions About a Complex Construct
Notice bibliographique
Résumé
ABSTRACT The term empathy has become a buzzword in recent decades, and the concept has received both scholarly attention and has also been the focus of public interest, professional trainings, and policy initiatives. However, misconceptions about its nature persist. Our aim is to rectify these misunderstandings by highlighting claims about empathy that have been empirically refuted. We address seven myths about empathy: #1 People mean the same thing when they say “empathy,” #2 Empathy increases burnout, #3 Empathy cannot be measured, #4 Empathy comes effortlessly, #5 Empathy cannot be learned, #6 More recent generations lack empathy, #7 Women are naturally more empathic. These myths, selected due to their considerable implications, often contain a grain of truth but are usually exaggerated or misapplied, typically by generalizing findings from one narrow empathy definition to all empathy constructs. The term “empathy” is an umbrella term encompassing lower‐order constructs like compassion, personal distress, emotional congruence, perspective taking, and accurate interpersonal perception. We specify for which lower‐order empathy constructs each myth holds, for which constructs it is debunked (based on empirical evidence), and for which lower‐order constructs sufficient or consistent evidence exists to offer a conclusive verdict. We illuminate the complexities involved in discussing and studying empathy while debunking these prevalent misunderstandings. Our goal extends beyond merely refuting these myths; we strive to avert their potentially harmful impact on policies and society.
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 | 0,000 | 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) | 0,001 | 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 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 ».