MétaCan
Menu
Retour à la cohorte
Enregistrement W7132945037

Looking for bias in all the right places: Incentive-driven optimism and pessimism

2024· dissertation· W7132945037 sur OpenAlexaff
Nathan Eldred Wheeler

Notice bibliographique

RevueTSpace · 2024
Typedissertation
Langue
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPessimismPreferenceIncentiveOptimismModerationNegative informationIndependence (probability theory)Empirical evidence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

What motivates people to choose biased evidence over more accurate sources? Psychological models of motivated information search have typically explained this by appealing to specific directional motives such as the desire to preserve self-esteem (Beauregard & Dunning, 1998) or signal ingroup membership (Flynn et al., 2017). Although this proliferation of directional accounts helps highlight specific incentives (e.g., self-enhancement, social pressure) that may motivate individuals to prefer biased information, what’s missing is a more general understanding of how any large possible incentive might lead people to prefer biased information in the first place. My thesis offers a parsimonious model of how the mere possibility of any large reward or loss might lead people to prefer biased information through three general processes– a “rational” account in which people prefer biased information based on the increased reward or mitigated losses that can be gained from acting on that information; a trust-based account in which people prefer biased information because trusting it leads to better consequences, and a congeniality bias account in which people prefer biased information because it justifies their belief in how they should act. In chapter 2, I formalize each of these processes and highlight how each predicts that the possibility of large incentives should moderate preference for biased information, such that the possibility of large rewards for making correct decisions would increase preference for optimistic information, while the possibility of large losses for making incorrect decisions would increase preference for pessimistic information. In chapter 3, I provide empirical demonstration of this moderation in three studies. Finally, in chapter 4, I show in a final study how all three of these processes can significantly account for individual differences in biased information search. Together, this work demonstrates that the mere presence of large incentives can lead to preference for biased information through three general motivational processes. Thus, even in lieu of more specific directional accounts of an individual’s motivations, biased information search can be understood through knowledge of the consequences an individual stands to face by acting on that information.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,003
Communication savante0,0040,003
Science ouverte0,0000,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,172
Tête enseignante GPT0,464
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpaceMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207