Digital Trust 2025 (Dataset, n = 505)
Notice bibliographique
Résumé
This dataset is part of the Human Clarity Institute’s AI–Human Experience 2025 data series. It examines digital trust, authenticity judgement, and uncertainty in an AI-saturated information environment, including perceived manipulation risk, confidence in detecting synthetic content, and behaviours triggered by doubt or ambiguity.The dataset includes: • validated 1–7 Likert-scale items • measures of trustworthiness assessment, uncertainty effects, and detection confidence • behavioural indicators of verification habits, caution, and avoidance • multi-select variables stored as canonical semicolon-delimited snake_case tokens • open-text reflections with minimal safe cleaning (trim + newline removal only) • demographic variables across six English-speaking countries • digital life exposure (daily hours online) and AI-tool usage frequencyData were collected on 25 November 2025 via Prolific from adults in the UK, US, Australia, Canada, New Zealand, and Ireland. All data were cleaned, anonymised, and processed under the Human Clarity Institute’s machine-readable dataset protocol, which includes:• canonical snake_case variable naming • validated numeric ranges • standardised multi-select formats • minimal safe text cleaning • full alignment with the accompanying data dictionary • removal of Prolific IDs and timestamps • SHA-256 checksums for all filesThis dataset contributes to understanding how people judge trustworthiness and navigate uncertainty in an AI-shaped digital ecosystem, supporting longitudinal tracking of authenticity perception, online doubt, verification behaviour, and the evolving cognitive relationship between humans and AI.
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 | 0,002 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,095 | 0,061 |
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 ».