An Investigation of Consumers' Moral Licensing Behavior
Notice bibliographique
Résumé
Research suggests that when individuals have done a good deed, this grants them `license' to engage in more self-interested, immoral or asocial behaviors that otherwise would have discredited the individual. A number of studies across disciplines have found evidence of such licensing effects, yet our understanding of what causes these effects is limited. It is clearly counterproductive if a good deed is likely to be followed by a bad one. Such a regulatory pattern threatens people's moral integrity and undermines personal welfare, yet no research examines how to counteract it. In Essay 1 "Removing Individuals' License to Misbehave," I present an intervention aimed at counteracting the licensing effect. I demonstrate that having participants engage in a physical act of closure - enclosing a written recall of their good deeds within an envelope - counteracts their licensing behavior. This intervention targets what I propose is a critical but overlooked condition for moral licensing to occur: the accessibility of one's previous good deeds. Furthermore, I contribute to our understanding of moral licensing by examining a novel moderator of the licensing effect, the actor-perceived specialness of one's good deed. Research has found that changes in self-concept may mediate the licensing effect. In Essay 2 "Examining Self-Concept as a Mediator of Licensing Effects", I critically examine this process. Across three studies I replicate the licensing effect, but find no significant relationship with participants' self-concepts. In each study, self-concept was measured using scales previously established in the licensing context, yet none of these mediated participants' licensing behavior. Based on both theoretical as well as empirical findings, I propose that our current self-concept measures need to be re-examined.By advancing our understanding of moral licensing behaviors and demonstrating how to counteract them, this dissertation provides significant practical and theoretical contributions for our understanding of moral licensing 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.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».