Cyber‐Vetted Behind the Smokescreen: The Evaluations of Cigarette and Cannabis Smokers in Hiring
Notice bibliographique
Résumé
ABSTRACT A history of cannabis prohibition and tobacco/drug‐control campaigns has created negative stereotypes around cigarette and cannabis users. Cyber‐vetting, where organizations scan prospective employees’ online footprints, has also risen. This research integrates stereotyping and personnel selection literatures to examine whether cyber‐vetted knowledge of job applicants’ private smoking behaviors influences assessor evaluations regardless of interview performance. It also examines the implications of when cyber‐vetting takes place. Three experiments with student and professional samples paired social media cyber‐vetting with realistic video‐based interview simulations in North American jurisdictions where recreational cannabis is legal. In Study 1, 224 Canadian business students, role‐playing as hiring managers, gave lower ratings to cigarette and cannabis smokers. A high‐quality interview, while helpful, did not overcome the lowered evaluations. In Study 2 (with 318 Canadian business students), we used the Stereotype Content Model to show the indirect impact of smoking status on expected counterproductive workplace behaviors and final evaluations via diminished competence and warmth perceptions. In Study 3, 185 HR professionals in California also rated smokers unfavorably. While overall evaluations were higher when cyber‐vetting occurred pre‐ versus post‐interview for cannabis smokers, no significant differences were found for cigarette smokers. Overall, we highlight implications for smokers’ employability as cyber‐vetting and legal access to cannabis both gain traction.
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 | 0,000 |
| 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 ».