Adaptive significance of winner and loser effects: rank-dependent optimal behaviour
Notice bibliographique
Résumé
Many animals including humans show winner and loser effects, whereby contest winners tend to win subsequent fights, while losers tend to lose again. Despite strong empirical evidence for these effects, their adaptive significance, especially that of loser effects, has not been critically examined. We posited that winner and loser effects enable rank-dependent optimal behaviour. Winners' assertive behaviour may deter opponents, and this can increase winners’ access to scarce resources and mates. Losers, in light of their competitive disadvantage, may either switch to alternative strategies in order to enhance their fitness prospects, or wait for competitive conditions to improve before competing again. We critically tested predictions derived from the rank-dependent optimal behaviour hypothesis in two experiments in which we randomly assigned human participants to win or lose in the video game Overwatch. In experiment 1, more losers than winners asked to switch to another video game for the second round. In experiment 2, more losers than winners requested to wait before playing the second round. Mood questionnaires indicated increased positive mood in winners and increased negative mood in losers. We suggest that change in mood is the proximate mechanism underlying rank-dependent optimal behaviour. • The adaptive significance of winner and loser effects is unclear. • We posited that winner and loser effects enable rank-dependent optimal behaviour. • We found that losers were more willing to switch to alternative strategies. • Losers were also more willing to wait for competitive conditions to improve. • Winners showed increased positive mood and loser showed increased negative mood.
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 | 0,000 | 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 | 0,001 |
| 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) | 0,000 | 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 ».