When and Why Contexts Predict Unethical Behavior: Evidence From a Laboratory Bribery Game
Notice bibliographique
Résumé
In economic unethical decision-making experiments, one important methodological investigation is what types of contexts should be used to frame the instructions. Within the experimental economics community, using neutral-context instructions instead of loaded-context instructions is the mainstream practice. Because the loaded contexts may impact behavior in an unpredictable manner and therefore, put experimental control at risk. Nevertheless, using the loaded-context instructions could be advantageous in several ways. A properly framed context can help to facilitate learning and gain ecological validity. The challenge is whether we can identify when and why the loaded context may alter behavior. In this paper, we aim to test if being familiar with a loaded context can systematically influence unethical decisions in a bribery game. We conduct a laboratory bribery game experiment with three different treatments: the neutral-context treatment, the familiar-context treatment, and the unfamiliar-context treatment. Using the neutral-context treatment as a benchmark, we find that participants in the familiar-context treatment express stronger negative attitudes toward corruption. Attitudes toward unethical behavior are the same in the neutral-context treatment and the unfamiliar-context treatment. Behaviorally, the participants in the familiar-context treatment are much less likely to engage in corrupt activities. The neutral-context treatment and the unfamiliar-context treatment produce the same behavioral outcome.
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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».