Risk and emotion: measuring the effect of emotions and other visceral factors on decision making under risk
Notice bibliographique
Résumé
The science of modelling choice preferences has evolved into an interdisciplinary field contributing to several branches of microeconomics and mathematical psychology. As theories in decision science and related fields mature, descriptive theories have emerged to explain systematic violations of rationality through cognitive mechanisms underlying the thought processes that guide human behaviour. Cognitive limitations are not, however, solely responsible for systematic deviations from rationality and there is a growing body of literature exploring the effect of visceral factors as the more dominant drivers. This study builds on the existing literature by investigating the impact of anger, sadness, happiness, anxiety, hunger, energy, tiredness and stress on three distinct elements that define risk preference: utility, decision weights and loss aversion. By decomposing the impact of visceral factors on risk preference, I am able to provide evidence supporting the proposition that a portion of the variability in individual choice preferences can be explained by interacting visceral states. My findings suggest that visceral factors have the strongest effect on loss aversion, which is a major factor in how people code and evaluate financial outcomes. Anger, sadness, happiness, anxiety, energy and tiredness each affect five or more of the model parameters, while hunger and stress are significant only in their interaction with other visceral factors. I also provide evidence to show that the generalized approaches to characterizing visceral factors and risk preference are too broad to be descriptively meaningful. The results of this study show that emotions and other drive states effect the way people process and interpret information, which is crucial in informing decision-makers of the sources and consequences of irrational behaviour. These findings will be of immediate interest to wealth management specialists, public relations advisers as well as to engineers in designing socially intelligent machines capable of interacting more effectively with humans.
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 | 0,001 | 0,006 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».