MétaCan
Menu
Retour à la cohorte
Enregistrement W3123886504 · doi:10.1002/soej.12185

Experimenting with Contests for Experimentation

2017· article· en· W3123886504 sur OpenAlexaff
Cary Deck, Erik O. Kimbrough

Notice bibliographique

RevueSouthern Economic Journal · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueExperimental Behavioral Economics Studies
Établissements canadiensSimon Fraser University
Organismes subventionnairesUniversity of Alaska Anchorage
Mots-clésCONTESTInnovatorTest (biology)Private information retrievalRent-seekingMicroeconomicsEconomicsOutcome (game theory)Computer sciencePolitical scienceComputer securityLawFinance

Résumé

récupéré en direct d'OpenAlex

We report an experimental test of alternative rules in innovation contests when success may not be feasible and contestants may learn from each other. Following Halac, Kartik, and Liu (in press), the contest designer can vary the prize allocation rule from Winner‐Take‐All (WTA) in which the first successful innovator receives the entire prize to Shared in which all successful innovators during the contest duration share in the prize. The designer can also vary the information disclosure policy from Public in which at each period, all information about contestants' past successes and failures is publicly available, to Private, in which contestants only know their own histories. In our setting, the optimal contest design in terms of maximizing the probability that at least one innovator is successful depends on the probability of successful innovation, given that innovation is feasible. Under some parameters the designer will prefer a WTA‐Public contest; while, under others he will prefer Shared‐Private. Our experiments provide evidence that Private disclosure contests behaviorally dominate Public disclosure, regardless of the prize allocation rule, and moreover that Shared‐Private contests dominate WTA‐Private contests.

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)0,018
score de la tête « metaresearch » (Gemma)0,066
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,096

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,066
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0030,004
Science ouverte0,0030,002
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0140,001

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,391
Écart entre enseignants0,329 · 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'étudeEssai randomisé
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

Citations16
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSouthern Economic JournalMême sujetExperimental Behavioral Economics StudiesTravaux en français237 207