MétaCan
Menu
Retour à la cohorte
Enregistrement W2885118438 · doi:10.1007/s10683-018-9586-z

Why choice lists increase risk taking

2018· article· en· W2885118438 sur OpenAlexafffund
David Freeman, Guy Mayraz

Notice bibliographique

RevueExperimental Economics · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensSimon Fraser University
Organismes subventionnairesCanadian Institute for Advanced Research
Mots-clésLotteryInterimIncentivePreferenceEconomicsCertaintyChoice setMicroeconomicsActuarial scienceEconometricsMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract Choice lists with random incentives are widely used for preference elicitation. It is commonly assumed that subjects choose the same option in each question as they would have if it were the only question, but recent findings challenge this assumption. We conduct a large sample experiment varying incentives and presentation independently, and examine choices both near and away from certainty. We consistently find more risk taking when a choice between a safe prize and a risky lottery is embedded in a choice list than when it is presented on its own. This difference remains when we inform subjects of the paid choice in advance, implying that isolation fails not because of the random incentives scheme, but simply because the choice appears in a list together with others. We conjecture that subjects are uncertain about their preferences, reduce this uncertainty through considering the choices that confront them, and make cautious decisions in the interim. Other conditions and non-choice data support this interpretation. Our results open up the possibility that preferences inferred from choice lists offer a better indication of informed preferences than preferences inferred from single choices.

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)0,008
score de la tête « metaresearch » (Gemma)0,067
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,086

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,067
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0260,002

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 Opus0,074
Tête enseignante GPT0,246
Écart entre enseignants0,172 · 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

Citations17
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueExperimental EconomicsMême sujetEconomic and Environmental ValuationTravaux en français237 207