Bibliographic record
Abstract
Trotz Amokläufe, Blutrache, und anderen Formen von übertrieben ausgelebtem Zorn ist es wohl eine schöne Utopie zu glauben, dass Zorn und Rache grundsätzlich nichts mit sozialer Gerechtigkeit zu tun habe und deshalb „Gift für eine Gesellschaft“ sei. Das Gegenteil ist wohl eher die Regel, zumindest gemäss neuster Erkenntnisse aus der Evolutionsbiologie und Spieltheorie. Wenn Zorn dazu führt, dass anderen Schaden zugefügt wird, dann scheint das erst einmal nur destruktiv und unnütz. Auf lange Sicht kann aber der Zorn, den man bei anderen auslösen könnte, das eigene Verhalten stark beeinflussen. Diese Angst vor dem Zorn führt dann typischerweise dazu, dass wir uns insgesamt kooperativer und grosszügiger verhalten. Nimmt man zum Beispiel in einem anonymisierten Experiment, bei dem um Geld und Grosszügigkeit geht, die Möglichkeit zur Rache, dann wird insgesamt weniger grosszügig entschieden und damit auch weniger Wert für die soziale Gruppe kreiert (da ein gewisses Mass an Grosszügigkeit sehr oft Mehrwert kreiert). Dieser Verlust an Mehrwert kann in der experimentellen Situation deutlich höher sein als der gesamte Schaden, der durch Bestrafungen normalerweise entsteht. Zorn und Rache kann also Grosszügigkeit innerhalb sozialer Gruppen fördern und hat damit eine wichtige evolutionäre Funktion. Institutionalisierte Bestrafung (durch Polizei und Gerichte) kann diese Funktion nur zum Teil ersetzen. Ich denke deshalb, es ist möglicherweise irreführend, Zorn und Rache an sich zu verurteilen. Stattdessen sollte man sich wohl darauf konzentrieren, die Ursachen von übertrieben ausgelebtem oder fehlgeleitetem Zorn besser zu verstehen um sie effektiver zu bekämpfen.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.097 | 0.895 |
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; both teacher heads agree on what is shown here.
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".