Evolutionary Dynamics of an Other-Regarding Preferences-Based Involution Game in Networked and Well-Mixed Populations
Notice bibliographique
Résumé
Involution, characterized by intensified competition for limited social resources without generating additional societal value, has become a critical issue in modern social systems. This study aims to investigate effective mechanisms to mitigate involution by incorporating other-regarding preferences (ORP) into evolutionary game dynamics on complex networks and in well-mixed populations. Through numerical simulations conducted on square lattices and small-world networks, we systematically analyze the combined effects of crucial parameters including total social resources, the cost of more effort, fairness in resource distribution, and the intensity of ORP on the evolutionary dynamics of involution. Our findings reveal that increasing social resources generally exacerbates involution, whereas greater fairness in resource distribution alleviates it. Notably, the influence of more effort costs on involution is nonlinear and context-dependent, modulated by the interaction between resource abundance and ORP intensity. Critically, ORP emerges as a decisive factor: stronger ORP substantially suppresses involution, promotes the emergence and spatial stability of cooperative clusters, and reduces the equilibrium proportion of defectors. Theoretical analysis based on replicator dynamics validate our simulation results, providing robust theoretical benchmarks for the observed phenomena. This study not only advances the theoretical understanding of involution dynamics but also offers practical insights for addressing involution in real-world social systems. It highlights the importance of cultivating altruistic social norms and ensuring fairness in resource allocation to effectively mitigate involution.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».