Teaching Effective Negotiation Strategies with a Multi-Issue Negotiation Simulator
Notice bibliographique
Résumé
This study explores the effectiveness of a negotiation simulator bot in teaching and assessing integrative, distributive, and compatible strategies for multi-issue scorable negotiations. Students, acting as company representatives, negotiated with a bot to purchase a car by balancing priorities across eight issues of varying importance. Using the simulator, they generated three Multiple, Equivalent, and Simultaneous Offers (MESOs), while the bot provided real-time counter-MESOs, enabling iterative learning and strategy refinement. Four strategy clusters were identified using k-modes clustering, based on 733 negotiation attempts by 55 students. Cluster 2 strategies yielded the highest median joint points (Md = 24.0) and average joint points (M = 24.2), approaching the joint optimum with a focus on mutual gains. Cluster 4 adopted a competitive but less effective approach, prioritizing buyers’ outcomes (Md = 19.8, M = 18.9) at the expense of sellers, resulting in lower joint outcomes (Md = 21.6, M = 22.3). Cluster 2 achieved the highest seller points (Md = 8.95), while Cluster 3, a self-focused strategy, resulted in the lowest seller points (Md = 6.20). This study highlights the potential of computational negotiation pedagogy to enhance adaptability and scalability. Future research will assess skill retention and explore AI for dynamic learning experiences.
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 | 0,002 |
| 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 ».