Hypergame Analysis in E-Commerce: A Preliminary Report
Bibliographic record
Abstract
Dans les jeux classiques, il est supposé que "tous les joueurs voient le même jeu'', i.e., que les joueurs sont au courant des stratégies et des préférences des uns et des autres. Aux vu des applications réelles, cette supposition est très forte dans la mesure où les différences de perception affectant la prise de décision semblent plus relevées de la règle que de l'exception. Des tentatives ont été faites, par le passé, pour incorporer les distorsions aux niveaux des perceptions, mais la plupart de ces tentatives ont été essentiellement basées sur le "quantitatif" (comme les probabilités, les facteurs de risques, etc.) et par conséquent, trop subjectives en général. Une approche qui semble être attractive pour pallier à cela, consiste à voir les joueurs comme jouant "différents jeux'' dans une sorte d'hyper-jeu. Dans ce papier, nous présentons une approche "hyper-jeu'' comme outil d'analyse entre agents dans le cadre d'un environnement multi-agent. Nous donnons un aperçu (très succinct) de la formalisation d'un tel hyper-jeux et nous expliquerons ensuite, comment les agents pourraient intervenir via un agent-médiateur quand ils ont des perceptions différentes. Après cela, nous expliquerons comment les agents pourraient tirer avantage des perceptions différentes.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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".