Reputation in Endogenous Production Teams
Notice bibliographique
Résumé
Team production analysis are usually carried in static frameworks where employees choose neither their teammates nor between working in a team or by themselves. This hypothesis does not reflect certain work environments. For example, academics are seldom forced to work as a team. They usually choose with whom they want to work, and once a project is completed they may part. In the industry, a manager at Jet Propulsion Laboratory states: "There is some say by team members on whom they want to work with. Regarding rewards, a good job by the team bestow the reputation for further jobs'' (Sherstyuk, 1998). This paper computes optimal work strategies when agents either work in a team or by themselves. Agents of different age and reputation are randomly matched. Matched agents, but not employers, observe each other's abilities. Agents' abilities and production are stochastic, and wages equal the conditional probability of being of high-ability (i.e an agent's reputation). Given that a teammate's decision to work or not in a team (control variable), affects the other agent's current and future utility and reputation (the state variable), this problem is a dynamic game. We focus on Markov strategies which are subgame perfect. The nature of the game does not allow for closed form solutions and we resort to numerical methods. Results show that a worker opts in team provided her teammate's reputation does not penalize him. If working in a team damages an agent's reputation she opts out unless her teammate wishes and can compensate him. For instance, a high-ability young worker chooses to work with a high-ability adult when the latter's reputation is sufficiently high compared with the unconditional probability that she be of the high ability. Interestingly, a young agent who {chooses} to work by himself enjoys a higher utility than when she is compelled to do so. This result arises as agents value the option of forming a team when adult. In other words workers derive non-negative utility from the team option which affect the conditional probability that they be identified of high ability.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,006 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».