Ups and Downs in Experience Design
Notice bibliographique
Résumé
We show how prospect theory uncovers critical decision-making insights in the design of sequential experiences by formulating a general framework and applying it to three experience design settings. First, we study the problem of releasing a piece of good news versus bad news, where a firm may incrementally reveal the news over a preemptive period. We characterize the optimal release strategy for both types of news and show that when the ultimate news is good (resp., bad) and the audience is sufficiently gain-seeking, it is optimal first to release information of a negative (resp., positive) sentiment. Second, we consider the problem of organizing an event such as a concert with performances of known valuations, where an event organizer needs to arrange the sequence of all performances. We show that for both loss-averse and gain-seeking audiences, interior peaks can be optimal, where pleasant and aversive performances are arranged to alternate throughout the event. Lastly, we investigate the problem of simultaneous versus sequential release of a series, such as songs or TV episodes, where a content provider does not know a priori the audience's exact valuation of each item. We show that if the audience's sensitivity to losses is sufficiently small (resp., large), the optimal strategy is to release all items in the series sequentially (resp., simultaneously). Across all of the settings, we show that the audience's sensitivity to losses relative to a reference point is a critical factor that governs how to design and manage the audience's evolving experience dynamics.
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 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».