MétaCan
Menu
Retour à la cohorte
Enregistrement W4400842697 · doi:10.1016/j.jpubeco.2024.105172

Coordinated selection of collective action: Wealthy-interest bias and inequality

2024· article· en· W4400842697 sur OpenAlexafffund
Luca Corazzini, Christopher Cotton, Enrico Longo, Tommaso Reggiani

Notice bibliographique

RevueJournal of Public Economics · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiquePolitical Influence and Corporate Strategies
Établissements canadiensQueen's University
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaMasarykova UniverzitaAkademie Věd České RepublikyLabexCardiff UniversityGrantová Agentura České RepublikyQueen's UniversityUniversità degli Studi G. d'Annunzio Chieti - PescaraScuola IMT Alti Studi LuccaUniversità Ca' Foscari Venezia
Mots-clésEconomicsInequalityCollective actionSelection (genetic algorithm)Selection biasAction (physics)MicroeconomicsPublic economicsMathematicsPolitical scienceComputer sciencePhysics

Résumé

récupéré en direct d'OpenAlex

We extend a collective action problem to study policy and project selection by heterogeneous groups who prefer to work together on a joint initiative but may disagree on which initiative is best. Our framework, adapted from a model of multiple threshold public goods, presents groups with several mutually exclusive projects, any of which require sufficient support from the group to succeed. Individuals strictly prefer to contribute where and how much they believe others expect of them to ensure joint project success. Groups tend to coordinate on the public good preferred by the wealthiest member, demonstrating a wealthy-interest bias even without corruption, politics, and information asymmetries. At the same time, groups divide costs in highly progressive ways, with the wealthy voluntarily funding a disproportionate share, helping offset the inherent inequality from endowment and selection differences. We discuss applications for policy selection, charitable giving, and taxes.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,297
Score d'incertitude au seuil0,464

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,206
Tête enseignante GPT0,313
Écart entre enseignants0,107 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations6
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Public EconomicsMême sujetPolitical Influence and Corporate StrategiesTravaux en français237 207