Représentativité et hétérogénéité des préférences dans les expériences de laboratoire
Bibliographic record
Abstract
Ces dernières années, il y a eu un développement considérable de l’économie expérimentale. Conformément à la critique de Henrichet al.(2010), la majorité des données et des recherches en sciences comportementales est basée sur des échantillons tirés de populations occidentales, formées, industrialisées, riches et démocratiques. Néanmoins, malgré le caractère restreint de leurs échantillons, les chercheurs tirent souvent des conclusions concernant les préférences humaines en général. Dans cet article, nous proposons une synthèse et un point de vue sur la représentativité des résultats issus des expériences de laboratoire et de terrain qui visent à expliquer les préférences sociales, les préférences concernant le risque et le temps. Nous montrons qu’il existe effectivement des différences incontestables entre les populations d’étudiants et d’autres populations plus générales. Cependant, nous montrons que ce résultat n’est pas une généralité et que l’hétérogénéité reste également présente au sein d’une même population.
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 | 0.006 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.001 |
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".