Jeu du dictateur et jeu de la confiance : préférences distributives vs préférences dépendantes des croyances
Bibliographic record
Abstract
L’article présente une revue de la littérature théorique et expérimentale sur les préférences sociales dans le jeu du dictateur et dans le jeu de la confiance. Deux types de préférences sociales sont analysés, l’aversion à l’inégalité associée aux préférences distributives et l’aversion à la culpabilité associée aux préférences dépendantes des croyances. Nous montrons dans un premier temps comment les deux types de préférences peuvent expliquer les déviations par rapport aux prédictions théoriques de la théorie des jeux standard. Nous discutons ensuite de l’insuffisance des modèles avec préférences distributives pour expliquer en détail les données expérimentales obtenues pour ces deux jeux de dilemme social. Notre principale conviction est que les modèles avec préférences dépendantes des croyances sont plus adaptés pour décrire l’hétérogénéité des comportements habituellement détectée dans de telles expériences. En particulier, sous l’hypothèse que la fonction d’utilité des joueurs dépend également de leurs croyances, alors la corrélation, entre le choix du dictateur (du receveur, dans le jeu de la confiance) et ses croyances de second ordre, habituellement observée pour ces deux familles d’expériences, peut être expliquée. Ce que ne permettent pas la théorie des jeux standard et ses extensions avec préférences distributives.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.000 |
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".