Generalizability of Choice Architecture Interventions
Notice bibliographique
Résumé
Although a given choice architecture intervention (‘nudge’) can be highly effective in some conditions, it may be ineffective in others and counter-productive in yet others. Critically, one cannot reliably predict which of these outcomes will happen. In this review, we argue that the average effectiveness of choice architecture interventions in influencing behavior is modest, and there is substantial heterogeneity in their impact. The complex interaction of multiple moderators and their dynamic change over time, makes it difficult to learn about when and to what extent choice architecture interventions work. We outline the obstacles to understanding generalizability, clarify the dimensions of generalizability and review the research practices (systematic exploration and measurement of moderators; sampling, designing, analyzing and reporting for generalizability) that could help the field more efficiently accumulate evidence. We conclude that adopting these practices is essential for advancing nuanced theories and for more accurately predicting the effectiveness of choice architecture interventions across diverse populations, settings, treatments, outputs and analytical approaches.
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 | 0,446 | 0,651 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,017 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».