MétaCan
Menu
Back to cohort
Record W3131676688 · doi:10.71781/15753

Evolution of cooperation in evolutionary games with the opting-out strategy and under random environmental noise

2020· dissertation· en· W3131676688 on OpenAlexfundno aff
Cong Li

Bibliographic record

VenuePapyrus : Institutional Repository (Université de Montréal) · 2020
Typedissertation
Languageen
FieldSocial Sciences
TopicEvolutionary Game Theory and Cooperation
Canadian institutionsnot available
FundersNational Key Research and Development Program of ChinaNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of ChinaChinese Academy of SciencesNational Science Foundation
KeywordsNoise (video)Random noiseComputer scienceEvolutionary biologyBiologyArtificial intelligenceAlgorithm

Abstract

fetched live from OpenAlex

Dans cette thèse, nous étudions les effets d'un environnement stochastique et de l'utilisation d'une stratégie d'opting-out sur l'évolution de la coopération dans les jeux évolutionnaires. La thèse contient 8 articles, dont 6 sont déjà publiés dans des revues avec comité de lecture. Outre l'introduction, la thèse est divisée en deux parties, la partie 1 composée de 5 articles et la partie 2 de 3 articles. La partie 1 étudie l'impact de gains randomisés dans les jeux évolutionnaires. L'article 1 introduit les concepts de stabilité pour les jeux avec matrice de paiement aléatoire 2x2 dans des populations infinies avec des générations discrètes sans chevauchement dans un environnement stochastique. On y donne les conditions pour qu'un équilibre, sur la frontière ou à l'intérieur du simplexe des fréquences des stratégies, soit stochastiquement localement stable ou instable. L'article 2 étend les résultats de l'article 1 au cas où la valeur sélective est une fonction exponentielle du gain attendu suite à des interactions aléatoires par paires et montre que, de manière inattendue, le bruit aléatoire environnemental peut rompre un cycle périodique et favoriser la stabilité d'un équilibre intérieur. L'article 3 discute des effets de la sélection faible. Alors que les conditions de stabilité dans un environnement aléatoire reviennent aux conditions du cas déterministe lorsque l'intensité de la sélection diminue, les fluctuations aléatoires des gains peuvent accélérer la vitesse de convergence vers un équilibre stable sous une sélection plus faible. L'article 4 applique la théorie de la stabilité évolutive stochastique à un jeu randomisé de dilemme du prisonnier. On y montre que l'augmentation de la variance des gains de défection est propice à l'évolution de la coopération. L'article 5 étudie les jeux matriciels randomisés dans des populations finies et donne les conditions pour que la sélection favorise l'évolution de la coopération dans le contexte du jeu randomisé de dilemme du prisonnier. La partie 2 considère un jeu répété de dilemme du prisonnier dans le cas où un comportement d'opting-out est adopté par chaque joueur dans les interactions par paires. L'article 6 étudie la dynamique évolutive de la coopération et de la défection dans ce contexte et montre une possible coexistence à long terme, en supposant une population infinie et un équilibre rapide (en fait, instantané) dans les fréquences des paires. L'article 7 rapporte des résultats expérimentaux avec 264 étudiants universitaires utilisant la stratégie d'opting-out qui soutiennent la prédiction théorique d'une coexistence à long terme de coopération et de défection. L'article 8 étend l'analyse du modèle avec la stratégie d'opting-out au cas d'une population finie et fournit une preuve rigoureuse des deux échelles de temps pour les fréquences de coopération et de défection d'une part et les fréquences de paires de stratégies d'autre part.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.009
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.003
Threshold uncertainty score0.008

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.009
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0000.000
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0020.000

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.

Opus teacher head0.005
GPT teacher head0.181
Teacher spread0.176 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2020
Admission routes1
Has abstractyes

Explore more

Same venuePapyrus : Institutional Repository (Université de Montréal)Same topicEvolutionary Game Theory and CooperationFrench-language works237,207