MétaCan
Menu
Retour à la cohorte
Enregistrement W4382678100 · doi:10.1093/jla/laad001

Learning in Standard-Form Contracts: Theory and Evidence

2022· article· en· W4382678100 sur OpenAlexfundno aff
Giuseppe Dari‐Mattiacci, Florencia Marotta‐Wurgler

Notice bibliographique

RevueThe Journal of Legal Analysis · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLaw, Economics, and Judicial Systems
Établissements canadiensnon disponible
Organismes subventionnairesYork University
Mots-clésWarrantySample (material)Term (time)Opportunity costBusinessActuarial scienceEconomicsMarketingMicroeconomicsLawPolitical science

Résumé

récupéré en direct d'OpenAlex

Abstract Why are some contractual terms revised continuously while others are stubbornly fixed? We offer an account of both change and stickiness in standard-form contracts. We hypothesize that drafters (sellers) are more likely to revise their standard terms when they have an opportunity to learn about the terms’ costs from experience. Consider a warranty. Offering a warranty in an initial period will expose sellers to claims about malfunction by purchasers, allowing sellers to learn whether it is desirable to offer it going forward. When drafters are unable to learn in this manner, either because they fail to experiment or because the term in question is one where there is no increased opportunity to learn from experience, such terms will be revised relatively less frequently. While learning and change occur through various channels, we posit that, all else equal, terms that carry an opportunity to learn from experience will be revised more frequently, whereas terms or term modalities that do not will contribute to stickiness and stagnation. Our results support this hypothesis. Using a large sample of changes in business and consumer standard-form contracts over a period of seven years, we find that sellers are more likely to revise terms that offer an opportunity to learn from experience than those that do not. These findings are further illustrated and supported by interviews with in-house counsel. The results suggest that standard-form contract terms evolve over time as sellers learn experientially about their costs and risks. Our analysis offers new accounts for the use of boilerplate, stickiness, and change and has normative implications for the optimal design of default rules and product features (JEL codes: K12).

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)0,042
score de la tête « metaresearch » (Gemma)0,204
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,221

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0420,204
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0060,005
Études des sciences et des technologies0,0020,015
Communication savante0,0060,011
Science ouverte0,0040,003
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0180,001

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 Opus0,021
Tête enseignante GPT0,230
Écart entre enseignants0,209 · 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

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Legal AnalysisMême sujetLaw, Economics, and Judicial SystemsTravaux en français237 207