When Incentives Feel Different: A Prospect-Theoretic Approach to Ethereum’s Incentive Mechanism
Notice bibliographique
Résumé
This study asks whether Ethereum’s proof-of-stake (PoS) incentives not only make economic sense on paper but also feel attractive to real validators who may be loss-averse and sensitive to risk. We take a canonical Eth2 slot-level model of rewards, penalties, costs, and proposer-conditional maximal extractable value (MEV) and overlay a prospect-theoretic valuation that captures reference dependence, loss aversion, diminishing sensitivity, and probability weighting. This Prospect-Theoretic Incentive Mechanism (PT-IM) separates the “money edge” (expected accounting return) from the “felt edge” (behavioral value) by mapping monetary outcomes through a prospect value function and comparing the two across parameter ranges. The mechanism is parametric and modular, allowing different MEV, cost, and penalty profiles to plug in without altering the base PoS model. Using stylized numerical examples, we identify regions where cooperation that pays in expectation can remain unattractive under plausible loss-averse preferences, especially when penalties are salient or MEV is volatile. We discuss how these distortions may affect validator participation, economic security, and the tuning of rewards and penalties in Ethereum’s PoS. Integrating behavioral valuation into crypto-economic design thus provides a practical diagnostic for adjusting protocol parameters when economics and perception diverge.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».