Biais cognitifs face aux changements climatiques
Bibliographic record
Abstract
Certain(e)s chercheur(euse)s attribuent l’inefficacité des politiques environnementales à différents facteurs cognitifs. Cependant, leurs mécanismes sous-jacents sont encore méconnus. Une récente proposition théorique suggère l’existence d’une origine commune entre plusieurs de ces distorsions cognitives. Afin de tester cette proposition, la présente étude vise à établir une relation entre deux biais cognitifs, soient les croyances compensatoires vertes et l’illusion d’empreinte écologique négative. Pour ce faire, 114 participant(e)s remplissent quatre questionnaires portant respectivement sur chacun des deux biais, ainsi que sur la désirabilité sociale et l’identité verte. Les résultats aux questionnaires ne montrent aucune relation entre les croyances compensatoires vertes et le biais d’illusion d’empreinte écologique négative, remettant en question l’idée qu’un biais de moyennage soit à l’origine de ces deux phénomènes. Sans réfuter l’existence de ce mécanisme, il semble que l’identité verte pourrait davantage prédire la présence de croyances compensatoires vertes, tandis que la désirabilité sociale permettrait de prévoir, du moins en partie, la manifestation de l’illusion d’empreinte écologique négative. Des études futures pourraient ainsi considérer l’ajout de variables médiatrices au cadre théorique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".