Black Summer Arson: Examining the Impact of Climate Misinformation and Corrections on Reasoning
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
Climate misinformation has been identified as a barrier to mitigative action. One prominent example occurred when the 2019/2020 “Black Summer” bushfires in Australia were blamed on arson. This claim is cognitively attractive because of its simplicity and was widely publicised at the time, but also thoroughly debunked. In two experiments, we examined the impact of a misleading article implicating arson as the primary cause of the Black Summer fires on Australian (Exp. 1, N = 509) and Canadian (Exp. 2, N = 506) participants’ reasoning, associated donation behaviour, and climate change attitudes. The misinformation significantly influenced reasoning about the Black Summer and future fires in both experiments; it also reduced the donations of Australian participants to a local climate organisation and impacted Canadian participants’ reasoning about a novel, conceptually related (but fictional) flooding event. Corrections were largely effective at mitigating misinformation impact. A bolstered correction that portrayed climate change as an important causal factor through its impact on risks and emphasised the multicausality of natural disasters was more effective than a simple correction that merely refuted the misinformation. Climate change attitudes were largely unaffected by the misinformation and interventions. Our findings demonstrate that event-specific climate misinformation can influence reasoning beyond a specific event, and that corrections are broadly useful for combatting its effects.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,006 |
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