On the Desiderata for Online Altruism
Notice bibliographique
Résumé
Online donation platforms help equalize access to opportunity and funding in cases where inequalities exist. In the context of public school education in the United States, for instance, financial inequalities have been shown to be reflected in the educational system, since schools are primarily funded through local property taxes. In response, private charitable donation platforms such as DonorsChoose.org have emerged seeking to alleviate systemic inequalities. Yet, the question remains of how effective these platforms are in redressing existing funding inequalities across school districts. Our analysis of donation data from DonorsChoose shows that such platforms may in fact be ineffective in mitigating existing inequalities or may even exacerbate them. In this paper, we explore how online educational charities could direct more funding towards more impoverished schools without compromising their donors' freedom of choice with respect to donation targets. Seeking to answer this question, we draw on the line of work on choice architectures in behavioral economics and pose a novel research question on the impact of interface design on equity in socio-technical systems. Through controlled experiments, we demonstrate how simple interface design interventions - such as modifying default rankings or displaying additional information about schools - might lead to changes in donation distributions helping platforms direct more funding towards schools in need. Going beyond online educational charities, we hope that our work will bring attention to the role of interface design nudges in the social requirements of online altruism.
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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».