Punishment Is Strongly Motivated by Revenge and Weakly Motivated by Inequity Aversion
Notice bibliographique
Résumé
There are two broad functional explanations for second-party punishment: fitness-leveling and deterrence. The former suggests that people punish to reduce fitness differences, while the latter suggests that people punish in order to reciprocate losses and deter others from inflicting losses on them in the future. We explore the relative roles of these motivations using a pre-registered, two-player experiment with 2,426 US participants from Amazon Mechanical Turk. Participants played as the “responder” and were assigned to either a Take or Augment condition. In the Take condition, the “partner” could steal money from the responder’s bonus or do nothing. In the Augment condition, the partner could augment the responder’s bonus by giving them money at no cost to themselves or do nothing. We also manipulated the responders’ starting endowments, such that after the partner’s decision, responders experienced different payoff outcomes: advantageous inequity, equality, or varying degrees of disadvantageous inequity. Responders then decided whether to pay a cost to punish the partner. Punishment was clearly influenced by theft and was most frequent when theft resulted in disadvantageous inequity. However, people also punished in the absence of theft, particularly when confronted with disadvantageous inequity. While the effect of inequity on punishment was small, our results suggest that punishment is motivated by more than just the desire to reciprocate losses. These findings highlight the multiple motivations undergirding punishment and bear directly on functional explanations for the existence of punishment in human societies.
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 | 0,006 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 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 ».