ON GETTING BETTER AND WORKING HARD: USING IMPROVEMENT AS A HEURISTIC FOR JUDGING EFFORT
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There is a strong conceptual association between improvement and effort. Therefore, we propose that people tend to use improvement as a heuristic for judging effort in others. Hence, they would perceive greater effort in improved performance records than in non-improved records with superior overall performance. To examine whether people use improvement as a heuristic for effort, we compared judgments of effort investments and trait effort in improved and consistently-strong performance profiles with equivalent recent performance. Across six empirical studies, participants thought that those with improved profiles exerted more effort and were more hardworking than those with consistently-strong profiles, and this resulted in a preference for improved candidates when making decisions (e.g., selecting among candidates for a promotion). Even when we introduced manipulations that highlighted strengths of the consistent profiles, participants still made effort judgements in favour of improvement (Studies 2 and 3). Moreover, participants had a greater tendency to mention effort as a reason for selecting an improved (vs. consistently-strong) candidate for an award (Study 4). Furthermore, two studies (Studies 5 and 6) showed that the use of improvement as a heuristic for effort was restricted to contexts with considerable ambiguity. Finally, we examined the overall effects using meta-analyses (Study 7). Overall, the results provided converging evidence that people use improvement as a heuristic for judging effort, particularly in contexts that are relatively ambiguous, and that these judgments can have implications for important decisions.
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.
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 | 0,000 | 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 découle