MétaCan
Menu
Retour à la cohorte
Enregistrement W4414892162 · doi:10.7592/ejhr.2025.13.2.1043

Rage beneath the machine

2025· article· en· W4414892162 sur OpenAlexaboutno aff
Christopher T. Burris, Emily Burns, Kristina Garth

Notice bibliographique

RevueEuropean Journal of Humour Research · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueHumor Studies and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAngerHostilityAggressionHappinessRage (emotion)RuminationAffect (linguistics)Sadistic personality disorderPoison control

Résumé

récupéré en direct d'OpenAlex

Previous research has demonstrated that disrespect sensitivity plus anger rumination (DSAR) predicts outcomes congruent with sadistic motivation (such as positive affect in response to target harm) in pranking contexts. Because “successful” pranksters often appear giddy rather than overtly hostile, we conducted three studies involving 990 Canadian undergraduates based on the idea that DSAR-related hostility could be operating outside of awareness. When controlling for overlap among humour styles, DSAR predicted greater self-reported use of self-defeating but not aggressive humour (Study 1). Higher DSAR pranksters/observers (but not victims) perceived more happiness than anger in an art interpretation task by default but more anger than happiness when pranks were salient (Study 2). Contrary to their assertions, higher DSAR scorers’ word fragment and projective test responses suggested implicit hostile/dominant tendencies but inhibition of overt aggression in the neutral condition that shifted to disinhibition and mirthless interpersonal detachment when pranks were salient (Study 3). Thus, at least among those most at risk for manifesting sadistic motivation, latent hostility may be overlooked amidst prank-related celebrations. This apparent implicit/overt discrepancy should be considered when designing interventions for minimizing the occurrence of sadistically motivated 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,903
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,118
Tête enseignante GPT0,476
Écart entre enseignants0,358 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Humour ResearchMême sujetHumor Studies and ApplicationsTravaux en français237 207