The reputational consequences of victim signaling
Notice bibliographique
Résumé
We examine how victim signaling, defined as publicly sharing experiences of suffering caused by disadvantage, harm, or limitations, affects how observers perceive the signaler. We conducted four studies ( N Total = 1430) on diverse samples (i.e., online participants and professionals in the Philippines), using different methodologies (i.e., employee-coworker dyads and vignette-based experiments), and ways of victim-signaling (i.e., contentious vs. subtle). Across contexts, we found that people who signal their victimhood were evaluated more negatively than those who did not emit this signal, despite the latter facing similar circumstances. We found this effect on a range of social judgments, including ratings of dark traits (Dark Triad and D) and perceived desirability of the signaler as a social partner (e.g., job performance ratings and perceptions of counterproductive workplace behavior). A post-hoc analysis in Studies 3 and 4 found that political beliefs moderated perceptions of victim signalers from minority groups; compared to conservatives, liberals were less likely to see victimhood signalers (vs. non-signalers) as narcissistic and psychopathic (Study 3) and were less likely to infer entitlement–Machiavellian traits from a victim-signaling candidate (Study 4). Our results contribute to understanding how victim signaling shapes social perception and the complexities of interpreting claims of harm. • Individuals who signal their victimhood are often perceived less favorably than those who do not. • Victim signaling is associated with inferences of dark personality traits and lower social desirability. • Public expressions of harm can lead to reputational costs. • Observers may infer unethical behavior from victim signaling.
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) | 0,001 | 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 ».