論文の概要: Integrative Experiments Identify How Punishment Impacts Welfare in Public Goods Games

• arxiv url: http://arxiv.org/abs/2508.17151v1
• Date: Sat, 23 Aug 2025 22:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.368674
• Title: Integrative Experiments Identify How Punishment Impacts Welfare in Public Goods Games
• Title（参考訳）: 公共グッズゲームにおける罰が福祉に与える影響を検証した総合実験
• Authors: Mohammed Alsobay, David G. Rand, Duncan J. Watts, Abdullah Almaatouq,
• Abstract要約: 本研究では,大規模統合実験を通じて,共同作業環境における罰の効果について検討した。 我々は,新しい実験における罰則の予測において,人間の予測よりも優れるモデルを開発した。 我々の結果は、それが機能し、機能しない特定の条件に「機能する」か否かの罰に関する議論を再燃させます。
• 参考スコア（独自算出の注目度）: 2.359185514776351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Punishment as a mechanism for promoting cooperation has been studied extensively for more than two decades, but its effectiveness remains a matter of dispute. Here, we examine how punishment's impact varies across cooperative settings through a large-scale integrative experiment. We vary 14 parameters that characterize public goods games, sampling 360 experimental conditions and collecting 147,618 decisions from 7,100 participants. Our results reveal striking heterogeneity in punishment effectiveness: while punishment consistently increases contributions, its impact on payoffs (i.e., efficiency) ranges from dramatically enhancing welfare (up to 43% improvement) to severely undermining it (up to 44% reduction) depending on the cooperative context. To characterize these patterns, we developed models that outperformed human forecasters (laypeople and domain experts) in predicting punishment outcomes in new experiments. Communication emerged as the most predictive feature, followed by contribution framing (opt-out vs. opt-in), contribution type (variable vs. all-or-nothing), game length (number of rounds), peer outcome visibility (whether participants can see others' earnings), and the availability of a reward mechanism. Interestingly, however, most of these features interact to influence punishment effectiveness rather than operating independently. For example, the extent to which longer games increase the effectiveness of punishment depends on whether groups can communicate. Together, our results refocus the debate over punishment from whether or not it "works" to the specific conditions under which it does and does not work. More broadly, our study demonstrates how integrative experiments can be combined with machine learning to uncover generalizable patterns, potentially involving interactions between multiple features, and help generate novel explanations in complex social phenomena.
• Abstract（参考訳）: 協力を促進するためのメカニズムとしての罰は、20年以上にわたって広く研究されてきたが、その効果は論争の的となっている。 そこで本研究では,大規模な統合的実験を通じて,協力的環境における罰の与える影響について検討する。 公開商品ゲームの特徴付け、360度実験条件のサンプリング、参加者7,100人から147,618人の決定を収集する14のパラメータに違いがある。 その結果, 罰の効力性は著しく異なっており, 罰が常に貢献を増す一方で, 報酬(効率)に対する影響は, 劇的な福祉強化(最大43%の改善)から、協力的文脈によって著しく損なわれる(最大44%の削減)まで様々であった。 これらのパターンを特徴付けるために,新しい実験において,ヒトの予測者(レイパーとドメインエキスパート)よりも優れた結果を予測するモデルを開発した。 コミュニケーションは最も予測可能な機能として現れ、次にコントリビューションフレーミング(オプトアウト対オプトイン)、コントリビューションタイプ(可変対オールオーナシング)、ゲームの長さ(ラウンド数)、ピア結果の可視性(参加者が他人の利益を見ることができるかどうか)、そして報酬メカニズムが利用可能になった。 興味深いことに、これらの機能のほとんどは、独立して動作するのではなく、罰の効力に影響を与えている。 例えば、より長いゲームが罰の効果を高める程度は、グループがコミュニケーションできるかどうかに依存する。 共同研究の結果は、それが機能し、機能しない特定の条件に「機能する」か否かの罰に関する議論を再考するものである。 より広範に、我々の研究は、統合的実験が機械学習と組み合わせることで、一般化可能なパターンを解明し、複数の特徴間の相互作用を伴い、複雑な社会現象における新しい説明を生み出すことを実証している。

関連論文リスト

• The Disparate Benefits of Deep Ensembles [11.303233667605586]
  アルゴリズムフェアネスは、モデルのパフォーマンスが社会的に関係のあるグループによってどのように変化するかを調べる。 ディープ・アンサンブルは異なるグループを不均一に好んでいる。 アンサンブルメンバーの予測多様性におけるグループごとの差異は、この効果を説明することができる。
  論文  参考訳（メタデータ） (2024-10-17T17:53:01Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• Explaining Knock-on Effects of Bias Mitigation [13.46387356280467]
  機械学習システムでは、バイアス緩和アプローチは特権と特権のないグループ間で成果をより公平にすることを目的としている。 本稿では,緩和介入を適用した場合のコホートの影響を特徴付けることを目的とする。 モデルライフサイクルの様々な段階で機能するバイアス緩和戦略について検討する。 検討の結果,全ての緩和策が非自明な事例,すなわち緩和努力のみでは望ましくない結果に悪影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2023-12-01T18:40:37Z)
• Flexible social inference facilitates targeted social learning when rewards are not observable [58.762004496858836]
  グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。 社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
  論文  参考訳（メタデータ） (2022-12-01T21:04:03Z)
• Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
  A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。 オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。 異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T17:15:51Z)
• What's the Harm? Sharp Bounds on the Fraction Negatively Affected by Treatment [58.442274475425144]
  我々は,これらの関数がどの程度の速さで学習されたかに関わらず,効率の良い頑健な推論アルゴリズムを開発した。 シミュレーション研究および失業者のキャリアカウンセリングのケーススタディにおいて,本手法を実証する。
  論文  参考訳（メタデータ） (2022-05-20T17:36:33Z)
• Fair Machine Learning Under Partial Compliance [22.119168255562897]
  本稿では,雇用市場のシンプルなモデルを提案し,シミュレーションを応用して,インタラクション効果とインセンティブ効果が結果や監査指標に与える影響を調査する。 我々の主要な発見は、均衡において、部分的コンプライアンス(雇用主のk%)は、完全なコンプライアンス結果に対して、はるかに少ない(k%)進歩をもたらすことである。
  論文  参考訳（メタデータ） (2020-11-07T01:46:53Z)
• Learning "What-if" Explanations for Sequential Decision-Making [92.8311073739295]
  実世界の意思決定の解釈可能なパラメータ化を実証行動に基づいて構築することが不可欠である。 そこで我々は,「何」の結果に対する嗜好の観点から,報酬関数をモデル化し,専門家による意思決定の学習的説明を提案する。 本研究は,行動の正確かつ解釈可能な記述を回復する上で,実効的逆強化学習手法であるバッチの有効性を強調した。
  論文  参考訳（メタデータ） (2020-07-02T14:24:17Z)
• Loss aversion fosters coordination among independent reinforcement learners [0.0]
  自立型自己学習エージェントにおける協調行動の出現を促進する要因について検討する。 我々は、独立した強化学習エージェントでゲームの2つのバージョンをモデル化する。 我々は,損失回避の導入が,その出現を加速させることで協調を促進することを実験的に証明した。
  論文  参考訳（メタデータ） (2019-12-29T11:22:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。