Le modèle bayésien de l’intégration identitaire : vers une approche dynamique des processus internes du soi
Bibliographic record
Abstract
Nos sociétés évoluent et se transforment constamment. Il devient de plus en plus difficile pour chacun de nous d’éviter le changement social. Lorsqu’un changement survient, nous devons modifier qui nous sommes afin de s’adapter à notre nouvel environnement et ressentir du bien-être. Plusieurs études ont proposé des étapes menant à l’intégration identitaire, mais ces processus demeurent limités sur une perspective statique. Les processus statiques ne parviennent pas à expliquer le processus itératif utilisé chaque jour pour intégrer une nouvelle identité. Le but de notre étude est de fusionner deux champs de la littérature : la psychologie sociale et les neurosciences afin de créer le Modèle bayésien d’intégration identitaire (MBII). Lors d’une première étude, nous discutons du fondement théorique du MBII ainsi que deux exemples fictifs de l’intégration d’une identité personnelle et sociale. Dans la seconde étude, nous testons certaines parties du MBII dans le contexte de la légalisation du cannabis au Canada. Ce contexte peut avoir changé l’intégration du cannabis des Canadiens dans leur identité de groupe. Nous avons mesuré l’intégration du cannabis de 1682 Canadiens sur trois temps de mesure à l’aide d’un questionnaire. Nous avons utilisé le MBII sur les trois temps de mesure afin de prédire l’intégration du cannabis au temps 3. Des analyses de régression montrent que les scores prédits par le MBII prédisent positivement les scores rapportés par les participants au temps 3. Les implications théoriques, méthodologiques et pratiques sont discutées.
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 | 0.007 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".