The Behavioralist Visits the Factory: Increasing Productivity Using Simple Framing Manipulations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent discoveries in behavioral economics have led to important new insights concerning what can happen in markets. Such gains in knowledge have come primarily via laboratory experiments—a missing piece of the puzzle in many cases is parallel evidence drawn from naturally occurring field counterparts. We provide a small movement in this direction by taking advantage of a unique opportunity to work with a Chinese high-tech manufacturing facility. Our study revolves around using insights gained from one of the most influential lines of behavioral research—framing manipulations—in an attempt to increase worker productivity in the facility. Using a natural field experiment, we report several insights. For example, conditional incentives framed as both “losses” and “gains” increase productivity for both individuals and teams. In addition, teams more acutely respond to bonuses posed as losses than as comparable bonuses posed as gains. The magnitude of this framing effect is roughly 1%: that is, total team productivity is enhanced by 1% purely due to the framing manipulation. Importantly, we find that neither the framing nor the incentive effect lose their significance over time; rather, the effects are observed over the entire sample period. Moreover, we learn that repeated interaction with workers and conditionality of the bonus contract are substitutes for sustenance of incentive effects in the long run. This paper was accepted by Gérard P. Cachon, decision analysis.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle