MétaCan
Menu
Retour à la cohorte
Enregistrement W4386833842 · doi:10.23889/ijpds.v8i3.2286

Decoy Effects in a Massive Real-World Shopping Dataset

2023· article· en· W4386833842 sur OpenAlexaff
Sean Devine, James Goulding, Anya Skatova, Ross Otto

Notice bibliographique

RevueInternational Journal for Population Data Science · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWine Industry and Tourism
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésPremiseQuality (philosophy)WineDatabase transactionPreferenceSet (abstract data type)Choice setComputer scienceAdvertisingMarketingEconomicsBusinessMicroeconomicsEconometrics

Résumé

récupéré en direct d'OpenAlex

Introduction & BackgroundA key premise of rational choice prescribes that decision-makers ought to ignore irrelevant, inferior alternative options. Consider for example the choice between two wines, where the value of an option is computed across two dimensions: quality and price. When deliberating about which wine to choose, one’s propensity to choose between two otherwise equally preferred wines should be not influenced by the introduction of a third clearly inferior option (being both of lower quality and more expensive than one of the original alternatives). Yet, a large body of work suggests that both people and animals routinely violate this premise in their decisions—in laboratory experiments, the introduction of irrelevant “decoys” into a choice set biases decision-making. However, these decoy effects are less understood in large-scale contexts of real-world decision-making, where choice sets can be large, and preference informed by consumers’ histories of experience. Objectives & ApproachWe explored whether the presence of irrelevant, “decoy” alternative options influenced wine purchases in a large real-world dataset of UK wine purchases. From shopping transaction records, we extracted all red and white wine purchases over a one month period. Our analyses examined 3.6M wine purchases made by 755,158 unique customers. Relevance to Digital FootprintsWe deployed shopping history data which is a popular example for digital footprints allowing us to track people’s choices and decisions over long periods of time. ResultsWe find that among pairs of wines that appear across many different contexts (i.e., stores with different product assortments) and trade off on quality and price, the presence of decoy options— similar options that were dominated by the focal option—made consumers more likely to purchase the focal option (a hallmark of the “attraction effect”). Furthermore, we find that sensitivity to this effect depended on consumers’ history of experience with the product, such that frequent shoppers were less likely to be sensitive to decoy effects in their purchase behaviour. Conclusions & ImplicationsWe examined whether real-world consumer decisions, evidenced in a large dataset of wine purchases in the United Kingdom, were subject to a canonical bias in multiattribute choice: the attraction effect. We found that wine purchases were systematically biased in favour of wines that dominated choice sets—a bias which was not observed when choice sets were not dominated. Together, these results extend laboratory-based accounts of decoy effects to real-world choices, and demonstrate how digital footprints data analysis can be linked to health, especially in terms of decision making which is associated with negative health 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.

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)0,002
score de la tête « metaresearch » (Gemma)0,008
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 enseignants0,022
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,078
Tête enseignante GPT0,381
Écart entre enseignants0,302 · 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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetWine Industry and TourismTravaux en français237 207