The motivating power of streaks: Increasing persistence is as easy as 1, 2, 3
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
• We examine streak incentives, or payments that increase for consecutive work tasks. • Streak incentives increase persistence more than larger, stable incentives. • This is driven by an increase in commitment to a goal of maximizing earnings. • Our work suggests that streak incentives can be a cost-effective motivational tool. Organizations often use financial incentives to boost employees’ commitment to work-relevant goals in an effort to increase persistence and goal achievement (e.g., to improve organizational efficiency or sales). We introduce and test a novel incentive scheme designed to enhance persistence by increasing commitment to the goal of maximizing earnings. Specifically, we test “streak incentives,” or rewards that offer people increasing payouts for completing multiple consecutive work tasks. Across six pre-registered studies (total N = 4,493), we show that, contrary to standard economic models suggesting people will complete more piece-rate work for larger rewards, people actually complete more work when compensated with streak incentives than with larger, stable incentives. We theorize that this occurs because, by encouraging consecutive task completion, streak incentives increase commitment to a goal of maximizing earnings, which in turn increases persistence. We also show that this effect is not driven by providing increasing rewards; rather, people’s goal commitment and motivation are boosted by the requirement that they complete work tasks consecutively to earn escalating payments. Taken together, our results suggest that designing incentives to encourage streaks of work is a low-cost way to increase goal commitment and therefore persistence in organizations and other contexts.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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