Do we become more honest as we age? A multi-methodological approach to studying dishonesty across adulthood
Notice bibliographique
Résumé
Being dishonest with others is a common social behaviour, and it has been proposed that dishonesty increases throughout childhood, peaks in adolescence, and gradually declines across adulthood (i.e., an aging-honesty-effect among older adults). Yet, very little research has comprehensively explored how dishonesty is used and evaluated in later life. Using a multi-methodological approach, the primary goals of my dissertation were to examine if this aging-honesty-effect replicated across methodologies and social contexts and to provide a deeper understanding of the deceptive profiles of older adults to uncover what they lie about, who they lie to, and how they morally evaluate lies. In Study 1, I measured younger and older adults’ willingness to cheat in a spontaneous deceptive paradigm and personality traits of honesty-humility. In Study 2, younger and older adults completed an experience sampling study where they recorded their daily lies for a 7-day period. In Study 3, younger and older adults morally evaluated truths and lies, and participants were recruited in Canada, Singapore, and China to examine if age differences were culturally dependent. Results supported the proposed aging-honesty-effect where older adults were less likely to cheat in a task when given the opportunity (Study 1), they scored higher in the honesty-humility personality trait (Study 1), and they told fewer lies across a 7-day period (Study 2) compared to younger adults. Extending these results beyond lie frequency, Study 2 provided insight into the ways in which younger and older adults use lies in their natural social lives, uncovering that this aging-honesty-effect can vary depending on the type and topic of the lie and the relationship between the liar and the lie recipient. Finally, Study 3 found that not only are older adults more honest themselves, but they evaluate blunt or immodest honesty more favorably and good-intentioned lies less favorably than younger adults, and these effects persisted beyond a Western cultural context. These results provide the foundation for understanding older adults’ use and evaluation of dishonesty and can contribute to constructing a lifespan model of dishonesty from childhood through to old age.
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 | 0,025 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».