Analysis of the Influence of Decision Makers’ Fuzzy Behavioral Patterns Under Power Asymmetry Conflict
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
Asymmetric power conflicts arise from resource imbalances among stakeholders, where dominant parties often control situations through rule-setting, while weaker parties face suppression and manipulation. Decision makers (DMs) in such conflicts exhibit bounded rationality and diverse risk attitudes, significantly influencing conflict outcomes. Traditional conflict resolution frameworks, like the Graph Model for Conflict Resolution (GMCR), inadequately address power asymmetry and risk attitudes, leading to unrealistic equilibria. This study aims to bridge this gap by integrating risk attitude analysis into the GMCR framework, enhancing its capability to resolve asymmetric power conflicts. Specifically, we introduce a novel approach called Triangular Fuzzy Optimal Discrete Fitting (TFN-ODF) to assess the risk attitude of DMs amidst asymmetric power conflicts. Additionally, we enhance the principles for categorizing DMs' risk attitude types, surpassing the original Optimal Discrete Fitting (ODF) method's limitations. Moreover, we define the behavioral pattern stability concepts for the leader and the follower in the GMCR framework during power asymmetry conflicts. Applied to a carbon emission reduction conflict case, we find that as a general risk seeker, although the follower will not choose the options that damage the leader's benefit, it will counter the leader's sanctions by several risky measures for its own benefit. Our methodology and algorithm not only demonstrate practical application but also assist DMs in identifying conflict resolution strategies across varied behavioral patterns.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 découle