A kin-selection model of fairness in heterogeneous populations
Notice bibliographique
Résumé
Humans and other primates exhibit pro-social preferences for fairness. These preferences are thought to be reinforced by strong reciprocity, a policy that rewards fair actors and punishes unfair ones. Theories of fairness based on strong reciprocity have been criticized for overlooking the importance of individual differences in socially heterogeneous populations. Here, we explore the evolution of fairness in a heterogeneous population. We analyse the Ultimatum Game in cases where players' roles in the game are determined by their status. Importantly, our model allows for non-random pairing of players, and so we also explore the role played by kin selection in shaping fairness. Our kin-selection model shows that, when individuals condition their behaviour on their role in the game, fairness can be understood as either altruistic or spiteful. Altruistic fairness directs resources from less valuable members of a genetic lineage to more valuable members of the same lineage, whereas spiteful fairness keeps resources away from the competitors of the actor's high-value relatives. When individuals express fairness unconditionally it can be understood as altruistic or selfish. When it is altruistic, unconditional fairness again serves to direct resources to high-value members of genetic lineages. When it is selfish, unconditional fairness simply improves an individual's own standing. Overall, we expand kin-selection based explanations for fairness to include motivations other than spite. We show, therefore, that one need not invoke strong reciprocity to explain the advantage of fairness in heterogeneous populations.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».