Information Frequency, Value, and Difficulty as Sources of Social Inequality: Competitive Imbalances on <i>Jeopardy!</i>
Notice bibliographique
Résumé
Informational content and topics strategically curated by institutions underpin reward structures in knowledge economies. Using a historical database of 298,879 questions from popular American television trivia game show Jeopardy! , this article presents a case study revealing competitive inequalities rooted in a large, historical information corpus. Historically, women contestants comprise 45.5 percent of Jeopardy! contestants but only 32.5 percent of game winners. This raises questions about the fairness of the game and mechanisms underpinning the gender performance gap. Contestant gender and occupation are predictive of topical strengths and weaknesses. Information frequency, value, and difficulty are identified as knowledge properties that underpin competitive advantages and disadvantages. Questions with female answers on Jeopardy! are less frequent, valuable, and difficult than male and nongendered questions. This deprives women contestants of competitive advantages because contestants exhibit homophilous tendencies with gendered knowledge; women exhibit advantages with female questions, and men are advantaged by male questions. The Jeopardy! gender performance gap can be reduced—but not eliminated—by equalizing the frequency, value, and difficulty of gendered questions. As a microcosm of dominant cultural trends and powerful societal knowledge institutions, Jeopardy! is a broadly applicable case study revealing inequalities in ostensibly meritocratic knowledge evaluation systems. Results reveal specific means to identify and mitigate social inequalities in knowledge institutions and ostensibly meritocratic information-based competitions.
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 | 0,001 | 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 ».