Le jeu de l’ultimatum, une méta-analyse de 30 années de recherches expérimentales
Bibliographic record
Abstract
Le jeu de l’ultimatum recense sans nul doute l’une des plus larges littératures expérimentales de ces trois dernières décennies. Dans cet article, nous nous intéressons aux décisions des joueurs dans le jeu de l’ultimatum ainsi qu’aux variables explicatives susceptibles d’influencer la somme offerte. Nous réalisons une méta-analyse portant sur un total de 97 observations du jeu simple de l’ultimatum recueillies à travers 42 articles publiés entre 1983 et 2012. Alors que la prédiction théorique annonce que les offres du jeu de l’ultimatum devraient être nulles, nos résultats mettent en évidence que ce choix procure un gain espéré de 7,69 % de la somme en jeu pour le proposant. Alors que le gain espéré du proposant est à son maximum lorsque ce dernier offre 40 % de la somme à partager, la moyenne pondérée des offres formulées par les proposants de notre échantillon d’études s’établit à 41,04 %. Parmi les variables explicatives étudiées, seul le fait d’être un étudiant en économie présente un impact significatif sur les sommes offertes. Ce résultat va dans le sens de l’étude menée par Carter et Irons (1991).
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 | 0.022 | 0.064 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.013 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".