Fairness is based on quality, not just quantity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract According to decades of research, whether negotiations succeed depends on how much of the stake each person will get. Yet, real-world stakes often consist of resources that vary on quality, not just quantity. While it may appear obvious that people should reject qualitatively inferior offers, just as they reject quantitatively unequal offers, it is less clear why. Across three incentive-compatible studies ( N = 1,303) using the ultimatum game, we evaluate three possible reasons for why people reject qualitatively unequal negotiation offers (that are 50% of the stake): fairness, mere inequality, or badness. Data across the three studies are consistent with the fairness account. Casting doubt on the possibility that people reject qualitatively unequal offers merely because they are ‘bad’, Studies 1 and 2 found that participants were more likely to reject the same coins when these were inferior (e.g., 200 × 5¢ coins) to the negotiation partner’s coins (e.g., 5 × $2 coins) than when both parties received the same undesirable coins (e.g., both received 200 × 5¢ coins). Supporting a fairness explanation, rejection rates of the qualitatively inferior offer were higher when the proposal came from a human (vs. a computer), suggesting that rejection stemmed in part from a desire to punish the negotiation partner for unfair treatment (Study 3). Nevertheless, some participants still rejected the unequal offer from a computer, suggesting that mere inequality matters as well. In sum, the findings highlight that quality, not just quantity, is important for attaining fair negotiation outcomes.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle