Gender in Environmental Context: The Effect of Property Rights, Fines, and Empathy Nudging
Notice bibliographique
Résumé
Experimental economics research shows that gender can often explain some of the variation in individual behavior in experiments. This is especially true for contextualized games (corruption, environmental protection) in which participants’ behavior is guided by homegrown values and predispositions. We examine the gender differences in environmental behavior and the sharing of payoffs between a farmer and a water user under two alternative property rights assignments (farmer/polluter vs. water user/victim) and three methods of feedback (inducing empathy vs. imposing fine vs. no feedback). We found mixed evidence of gender differences concerning the choice of levels of pollution. Overall, albeit not always statistically significant, it seems that females are sharing with their group members more than males. Specifically, the results suggest that females are often more empathetic than males when they are in a position of a victim (water user). In a position of a polluter (farmer), in contrast, females and males are almost equally empathetic. Overall imposing monetary fines is counterproductive and decreases environmentally friendly behavior (however it does not significantly affect sharing), while empathy nudging increases sharing behavior (however it does not significantly affect environmentally friendly behavior). Empathy nudging is more effective for females than for males. Imposing fines, however, has no significant gender effect for either conservation or sharing behavior. Our findings provide another argument for increased gender equality based on environmentally sustainable economic development and thus propose a push by national governments as well as international organizations to increase the economic role of women.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».