Unnecessarily divided: Civil conversations reduce attitude polarization more than people expect.
Notice bibliographique
Résumé
People with opposing attitudes can learn from one another through civil discourse and debate. Yet, people routinely avoid discussing their differences of opinion, preferring instead to discuss their attitudes with like-minded others. We propose that people lack interest in discussing their differences of opinion, in part, because they expect such conversations are unlikely to change their own and others' attitudes. Importantly, we find these expectations are systematically miscalibrated: Civil conversations reduce attitude polarization more than people anticipate. Participants with opposing attitudes toward cats and dogs (Study 1 and Supplemental Study S1), cancel culture (Studies 2 and 4), and Joe Biden's performance as president (Study 5) underestimated how much their own and others' attitudes would depolarize in spoken conversations. Moreover, participants retained somewhat less polarized attitudes 1 week later. Participants underestimated attitude change, because they misunderstood why their attitudes differed: Whereas participants inferred their attitudes differed, because they fundamentally disagreed; their attitudes actually differed, because they were focused on different aspects of these topics (Study 3). As such, having a conversation surfaced unexpected areas of agreement (Studies 2, 4, and 5). Importantly, participants became more interested in discussing their differences of opinion, when they were informed that their own and others' attitudes might depolarize in a conversation (Study 6 and Supplemental Study S2). In total, the current work reveals that miscalibrated expectations can create an unnecessary barrier to civil discourse, leaving people with diverse points of view more divided, more polarized, and less informed than they otherwise could be. (PsycInfo Database Record (c) 2026 APA, all rights reserved).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».