Les routes multiples d'auto-expression <i>versus</i> d'inter-expression dans le choix du consommateur
Bibliographic record
Abstract
Les études relatives à la prise de décision du consommateur débutent souvent par l'identification d'une dimension sur laquelle les options diffèrent, suivie par l'analyse des facteurs qui influencent les préférences sur cette dimension. Construisant leur raisonnement sur une analyse conceptuelle de divers types de problèmes, les auteurs identifient chez les consommateurs des catégories de choix qui y sont associés (extrêmes vs source de compromis, hédoniques vs utilitaires, prêts au risque vs prudents) qui peuvent tous être classés en fonction de leur niveau d'expression: auto-expression versus inter-expression (ou caractère (non) conventionnel). Comme le démontrent quatre études, ces types de problèmes réagissent de façon similaire aux manipulations qui déclenchent ou suppriment l'auto-expression. De manière spécifique, amorcer l'auto-expression augmente systématiquement la part d'options auto-expressives dans les problèmes de choix. À l'inverse, le fait de s'attendre à être évalué diminue la part des options auto-expressives parmi les différents dilemmes de choix. De plus, initier la recherche de risque augmente seulement le choix de paris risqués, mais pas celui d'autres options auto-expressives. Ces résultats mettent en lumière l'importance de rechercher des attributs sous-jacents communs aux différents problèmes de choix des consommateurs, plutôt que de traiter chacun d'entre eux isolément.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".