Uncertain Search with Knowledge Transfer
Notice bibliographique
Résumé
We consider a sequential search over a group of similar alternatives. The individual value of an alternative contains two components: an observable utility and an idiosyncratic value. Observable utilities share an unknown population distribution, which captures the similarity across the alternatives and allows for knowledge transfer within the group. Once a decision maker encounters an alternative, its utility is revealed immediately, whereas the idiosyncratic value is unobservable and needs to be learned by sampling. The goal is to select an alternative with the highest individual value, accounting for the sampling and search costs. A novel feature of this problem is the combination of the individual and population levels of learning. We formulate the problem as a Bayesian dynamic program and characterize the optimal policy by a threshold structure. We show that it depends on the difference between the mean estimates of the current alternative and the population. It is optimal to continue sampling if the difference is between a threshold pair; otherwise, accept the current alternative if it exceeds the upper threshold, and switch to a new one if it is below the lower threshold. Other structural properties are also derived to shed light on the effects of the two levels of learning. A key insight is that more uncertainty is preferable at the individual level, but less uncertainty is preferable at the population level. Various practical variants of the problem are also considered. This paper was accepted by Ilia Tsetlin, behavioral economics and decision analysis. Funding: W. T. Huh acknowledges support from the NSERC Discovery Grants (RGPIN 2020-04213) and the Canada Research Chair Program. The work of M. J. Kim was supported by the Natural Sciences and Engineering Research Council of Canada [NSERC Discovery Grant RGPIN-2024-05213]. Supplemental Material: The online appendix and data files are available at https://doi.org/10.1287/mnsc.2023.00309 .
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».