MétaCan
Menu
Retour à la cohorte
Enregistrement W2415868115 · doi:10.1177/1086026616652667

How Do Money and Time Restrictions Influence Self-Constraining Behavior in Polluting the Commons?

2016· article· en· W2415868115 sur OpenAlexaff
Katherine D. Arbuthnott, Andrea Scerbe

Notice bibliographique

RevueOrganization & Environment · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueExperimental Behavioral Economics Studies
Établissements canadiensUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésCommonsTragedy of the commonsSocial dilemmaDilemmaCommon-pool resourceConstraint (computer-aided design)BusinessGovernment (linguistics)Consumption (sociology)Environmental economicsPublic economicsEconomicsNatural resource economicsMicroeconomicsEngineeringPolitical scienceLawSociologySocial science

Résumé

récupéré en direct d'OpenAlex

Commons are resources shared by a group of people, and are studied using the commons dilemma paradigm. Despite Hardin’s prediction that the only sustainable management options are government regulation or private ownership, sustainable commons management has been observed with unregulated groups; however, global commons such as the atmosphere and oceans seem to conform to the prediction of “tragedy” because self-interests among users lead to degradation of the commons through overuse. The present study examined whether the factors of commons type (consumption or waste disposal) and cost (money or time) influence individual self-constraint in harvesting/polluting decisions to prolong the longevity of the shared resource, in the absence of social communication. Results indicate an interaction of the two factors: Individual self-constraint was greatest with the combination of disposal commons and time cost. These findings suggest that creative strategies to manage global commons may be possible, at least for waste-disposal commons.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,237
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOrganization & EnvironmentMême sujetExperimental Behavioral Economics StudiesTravaux en français237 207