Is Voluntary Profiling Welfare Enhancing?1
Notice bibliographique
Résumé
Although consumer profiling advocates tout benefits from personalization, consumer advocacy groups oppose profiling in online markets because of concerns about privacy and price discrimination. Policies such as opt-out or opt-in that provide consumers the option to voluntarily participate in profiling are the favored compromise. We compare voluntary profiling to no profiling and show that voluntary profiling leads to some counterintuitive results. Consumers that do not participate in profiling and some that participate are worse off under voluntary profiling. Neither social welfare nor aggregate consumer surplus is necessarily higher under voluntary profiling; even when voluntary profiling leads to an increase in social welfare, it may come at the expense of consumer surplus. If the seller cannot price discriminate and charge only a uniform price for everyone or the seller can only charge different prices based on the consumer’s participation status, then aggregate consumer surplus under voluntary profiling is higher and a reduction in privacy cost has a positive impact on all consumers as well as the seller. However, when personalized pricing is possible, reducing privacy cost alone may reduce aggregate consumer surplus. The primary reason for these results is that voluntary profiling allows the seller to identify high valuation consumers that have no incentive to participate and set a higher price for them (compared to no profiling) while simultaneously benefitting from the profile information of low valuation consumers that participate. However, a positive privacy cost mitigates the participation incentives of even low valuation consumers and hence sellers’ ability to engage in price discrimination.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».