Voluntary Contributions to Reduce Expected Public Losses
Notice bibliographique
Résumé
Dans cette étude expérimentale, nous examinons les déterminants des contributions volontaires visant à réduire les pertes attendues associées à des désastres naturels ou des accidents industriels majeurs. Les sujets doivent allouer leurs jetons entre un investissement privé et un investissement public. Ce dernier investissement réduit, pour tous les membres de l'équipe, la probabilité d'une perte. La perte attendue sans investissement public est constante pour tous les traitements, mais la probabilité d'une perte et la dotation initiale des sujets varie selon les traitements. Dans certains cas, les sujets jouent en situation d'information incomplète (ambiguïté). Les analyses non-paramétriques et paramétriques des données donnent des résultats cohérents avec les études classiques sur les contributions volontaires dans les biens publics. En retenant l'hypothèse que les sujets sont neutres au risque, nous observons un comportement qui rejette, pour tous les traitements, la prédiction de l'équilibre de Nash de zéro contribution dans l'investissement public. L'occurrence d'une perte accroît dans la période suivante la probabilité de jouer Nash et réduit le niveau de contribution dans l'investissement public (gambler's fallacy). Cette situation rend plus difficile la mobilisation des personnes après un désastre naturel.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,002 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».