Les jeux vidéo violents augmentent-ils le biais d’attribution hostile chez des préadolescents ?
Bibliographic record
Abstract
Cette étude examine si l’usage des jeux vidéo violents exerce une influence sur le biais d’attribution hostile au sein d’une population de préadolescents. Un protocole quasi expérimental a été utilisé, composé de 43 sujets, de sexe masculin, âgés entre 11 et 12 ans (Moy. âge = 11.3) provenant d’une population à haute vulnérabilité sociétale et d’une population à plus faible vulnérabilité sociétale. Chaque sous échantillon a été soumis à deux contenus de jeux vidéo : un jeu vidéo à contenu violent (groupe expérimental) et un jeu vidéo à contenu non violent (groupe contrôle). Tous les sujets ont été au préalable soumis à une mesure de biais d’attribution hostile avant l’expérimentation (pré-test) et après celle-ci, (post-test). Les résultats montrent que le contenu du jeu ainsi que le niveau de vulnérabilité sociétale n’ont pas d’impact sur le biais d’attribution hostile et l’interprétation de situations sociales ambigües. Néanmoins, il y a significativement plus d’interprétation hostile lors de la phase post-test que lors de la phase pré-test et ce, indépendamment du niveau de vulnérabilité sociétale ou du groupe expérimental (jeu violent vs jeu non violent). Cette étude se conclut par une discussion sur le jeu vidéo comme facteur possible de risque du biais d’attribution hostile et des comportements agressifs en général.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".