MétaCan
Menu
Retour à la cohorte
Enregistrement W3183526596 · doi:10.1287/isre.2021.1023

Manufacturer’s “1-Up” from Used Games: Insights from the Secondhand Market for Video Games

2021· article· en· W3183526596 sur OpenAlexaff
Antino Kim, Rajib L. Saha, Warut Khern-am-nuai

Notice bibliographique

RevueInformation Systems Research · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueDigital Platforms and Economics
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésBusinessProfit (economics)Economic surplusTwo-sided marketValue (mathematics)AdvertisingMarketingVideo gameShut downThe InternetMicroeconomicsWelfareEconomicsIndustrial organizationComputer scienceNetwork effectMultimedia

Résumé

récupéré en direct d'OpenAlex

The video game industry has a robust secondhand market for games, even though some of the major gaming-console companies possess the means to shut it down. What is the special ingredient in this industry that would incentivize a manufacturer to give tacit approval to buying and selling used games? In this study, leveraging a game-theoretic model, we investigate the effect of gaming console on a manufacturer’s strategy in the presence of a secondhand market for games. We find that when the manufacturer offers a console that provides additional value outside of playing games (e.g., media hub with apps), the secondhand market improves the manufacturer’s profit, consumer surplus, and social welfare, all at the same time. Moreover, the manufacturer enjoys greater benefit from the secondhand market as the intrinsic value of the console increases. This is in stark contrast with cases where there are no consoles involved or the consoles do not offer any intrinsic value; in such settings, the manufacturer would opt to shut down the secondhand market. Overall, our results have implications that apply not only to the past and present of the gaming industry but also to its future and to other types of platform-based markets for contents.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,017
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0040,004
Science ouverte0,0010,002
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0170,001

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 GPT0,277
Écart entre enseignants0,215 · 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

Citations18
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInformation Systems ResearchMême sujetDigital Platforms and EconomicsTravaux en français237 207