Voluntary Contributions to Reduce Expected Public Losses
Bibliographic record
Abstract
Dans cette étude expérimentale, nous examinons les déterminants des contributions volontaires visant à réduire les pertes attendues associées à des désastres naturels ou des accidents industriels majeurs. Les sujets doivent allouer leurs jetons entre un investissement privé et un investissement public. Ce dernier investissement réduit, pour tous les membres de l'équipe, la probabilité d'une perte. La perte attendue sans investissement public est constante pour tous les traitements, mais la probabilité d'une perte et la dotation initiale des sujets varie selon les traitements. Dans certains cas, les sujets jouent en situation d'information incomplète (ambiguïté). Les analyses non-paramétriques et paramétriques des données donnent des résultats cohérents avec les études classiques sur les contributions volontaires dans les biens publics. En retenant l'hypothèse que les sujets sont neutres au risque, nous observons un comportement qui rejette, pour tous les traitements, la prédiction de l'équilibre de Nash de zéro contribution dans l'investissement public. L'occurrence d'une perte accroît dans la période suivante la probabilité de jouer Nash et réduit le niveau de contribution dans l'investissement public (gambler's fallacy). Cette situation rend plus difficile la mobilisation des personnes après un désastre naturel.
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 | 0.014 | 0.054 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".