📈 economics

Sequential Non-Bayesian Persuasion

Diese Arbeit zeigt auf, dass ein Absender strategisch davon profitieren kann, Informationen sequenziell bereitzustellen, wenn die Aktualisierungsregel der Überzeugung eines Empfängers systematisch von bayesianischer Rationalität abweicht, ein Ergebnis, das im Gegensatz zu dem klassischen Befund steht, wonach sequentielle Überzeugung in Standard-Bayes-Szenarien keinen Vorteil bietet.

Ursprüngliche Autoren: Yaron Azrieli, Rachana Das

Veröffentlicht 2026-08-06

📖 7 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yaron Azrieli, Rachana Das

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einen Freund davon zu überzeugen, eine bestimmte Handlung vorzunehmen, wie zum Beispiel ein Ticket für ein Konzert zu kaufen oder für einen Kandidaten zu stimmen. In der Welt der Wirtschaft wird dies als „Überzeugung“ bezeichnet. Jahrzehntelang ging das Standard-Regelwerk für dieses Spiel davon aus, dass Menschen perfekte Kalkulatoren sind. Wenn man ihnen neue Fakten präsentierte, würden sie ihre Überzeugungen sofort und perfekt unter Verwendung einer strengen mathematischen Formel, der „Bayesschen Regel“, aktualisieren. Unter dieser alten Regel gab es eine überraschende Wendung: Wenn man jemanden überzeugen wollte, spielte es keine Rolle, ob man ihm alle Informationen auf einmal gab oder sie langsam über einen längeren Zeitraum hinweg „tropfen“ ließ. Ein intelligenter, perfekter Kalkulator würde in beiden Fällen genau dieselbe Meinung vertreten, sodass eine „Einmal-Offenlegung“ genauso gut war wie eine lang gezogene Kampagne.

Doch echte Menschen sind keine perfekten Kalkulatoren. Wir haben Vorurteile. Manchmal ignorieren wir neue Beweise, weil sie sich zu schockierend anfühlen (wir sind „konservativ“), und manchmal bleiben wir bei unserem ersten Eindruck hängen. Diese Arbeit untersucht, was passiert, wenn die Person, die man zu überzeugen versucht, diese menschlichen Eigenheiten besitzt. Die Forscher stellen eine einfache, aber kraftvolle Frage: Wenn Ihr Freund seine Überzeugungen auf eine unordentliche, voreingenommene Weise aktualisiert, hilft es dann, ihm Dinge langsam, Stück für Stück, statt alles auf einmal zu erzählen? Die Antwort ist ein eindeutiges „Ja“, aber nur unter bestimmten Bedingungen. Das Papier beweist, dass man durch die sorgfältige Zeitplanung Ihrer Informationen eine voreingenommene Person tatsächlich zu einer Entscheidung führen kann, die sie niemals getroffen hätte, wenn man ihr einfach die Fakten in einem einzigen Schub präsentiert hätte.

Das Spiel „Überzeuge mich“

Lassen Sie uns die Bühne für ein einfaches Spiel bereiten. Es gibt zwei Spieler: den Sender (Sie, der Überzeugende) und den Receiver (Ihr Freund, der Entscheidungsträger). Die Welt hat verschiedene mögliche „Zustände“ (wie „das Konzert ist großartig“ oder „das Konzert ist schrecklich“), aber Ihr Freund weiß nicht, welcher wahr ist. Er beginnt mit einer Vermutung, einem sogenannten „Prior“. Sie kennen die Wahrheit und wollen, dass er eine bestimmte Handlung vollzieht, wie zum Beispiel ein Ticket zu kaufen.

In der klassischen Version dieses Spiels ist der Receiver ein „Bayesscher“ Denker. Das bedeutet, er ist wie ein makelloser Roboter. Wenn Sie ihm ein Beweisstück zeigen, vermischt er es sofort mit seiner alten Vermutung, um eine neue, perfekte Meinung zu bilden. Die große Entdeckung in der bisherigen Forschung war, dass es für diese perfekten Roboter keine Rolle spielt, wann die Information gegeben wird. Ob Sie ihnen einen großen Bericht oder tausend winzige Hinweise zeigen, die endgültige Verteilung ihrer Meinungen bleibt dieselbe. Man kann einen perfekten Kalkulator nicht austricksen, indem man das Gespräch in die Länge zieht.

Dieses Papier geht jedoch davon aus, dass der Receiver voreingenommen ist. Er aktualisiert seine Überzeugungen nicht perfekt. Stattdessen hat er eine „Bias-Funktion“, die die Wahrheit verzerrt. Ein häufiges Beispiel, das im Papier verwendet wird, ist der „Konservative Bayesianismus“. Stellen Sie sich eine Person vor, die sehr stur ist. Wenn sie neue Beweise sieht, aktualisiert sie ihre Überzeugung nur ein wenig; sie zieht sie leicht in Richtung der neuen Wahrheit, bleibt aber hauptsächlich bei ihrer alten Vermutung. Sie schließt eine Möglichkeit niemals vollständig aus, egal wie viele Beweise man anhäuft; sie wird lediglich ein wenig überzeugter.

Die Magie des „Slow Burn“ (des langsamen Erwärmens)

Die Autoren dieses Papiers haben entdeckt, dass die sequenzielle Überzeugung (das Erzählen von Dingen über die Zeit hinweg) zu einer Superkraft wird, wenn der Receiver dieser Art von sturer, voreingenommener Person ist.

Hier ist der Zaubertrick:

Das Einmal-Limit: Wenn Sie versuchen, den sturen Freund mit nur einem großen Informationsstück zu überzeugen, wirkt sein Bias wie ein Gummiband. Er zieht die neuen Beweise zurück in Richtung seiner alten Überzeugung. Wenn die Beweise extrem sein müssen, um seine Meinung zu ändern, schnappt das Gummiband ihn zurück, bevor er jemals die von Ihnen gewünschte Handlung vollzieht.
Der sequentielle Drift: Aber wenn Sie ihnen die Informationen in Schritten geben, können Sie deren eigene Sturheit gegen sie verwenden. Sie geben ihnen einen kleinen Hinweis. Sie aktualisieren ihre Meinung ein wenig. Dann geben Sie ihnen einen weiteren Hinweis basierend auf ihrer neuen (leicht aktualisierten) Überzeugung. Da sie jedes Mal von einem leicht anderen Ausgangspunkt aus aktualisieren, kann ihre Überzeugung immer weiter von ihrer ursprünglichen Vermutung „driften“.

Stellen Sie sich das wie das Schieben eines schweren Felsens einen Hügel hinauf vor. Wenn Sie versuchen, ihn mit einem einzigen gewaltigen Stoß zu bewegen, bewegt er sich vielleicht nicht wegen der Reibung (dem Bias). Aber wenn Sie ihn ein wenig schieben, ihn sich setzen lassen und dann von seiner neuen Position aus erneut schieben, können Sie ihn schließlich ganz nach oben bringen. Das Papier zeigt, dass man durch die Wiederholung dieses Prozesses die Überzeugung des Receivers so weit driften lassen kann, dass er schließlich die Handlung wählt, die der Sender möchte – eine Handlung, die er abgelehnt hätte, wenn die Information auf einmal präsentiert worden wäre.

Was das Papier tatsächlich beweist

Die Autoren haben nicht nur geraten; sie haben einen mathematischen Beweis aufgebaut, um genau zu zeigen, wann dieser Trick funktioniert. Sie haben sich mehrere klassische Szenarien angesehen, die in Wirtschaftslehrbüchern vorkommen:

Das Zwei-Wahl-Szenario: Stellen Sie sich einen Richter vor, der entscheidet, ob ein Angeklagter schuldig oder unschuldig ist. Der Staatsanwalt (Sender) möchte eine Verurteilung. Wenn der Richter ein „Konservativer Bayesianer“ (stur) ist, kann der Staatsanwalt nicht einfach ein Beweisstück vorlegen, um eine Verurteilung zu erwirken, wenn die Ausgangsüberzeugung zu niedrig ist. Das Papier beweist jedoch, dass der Staatsanwalt, falls der Bias des Richters „schwach Bayes-plausibel“ ist (ein technischer Weg zu sagen, dass seine Sturheit nicht zu seltsam oder extrem ist), eine Sequenz von Signalen nutzen kann, um die Überzeugung des Richters schließlich über die Schwelle zu drücken und eine Verurteilung zu erwirken.
Das Lineare Szenario: Stellen Sie sich einen Manager (Sender) vor, der versucht, einen Mitarbeiter (Receiver) dazu zu bringen, einen Preis festzulegen. Wenn der Mitarbeiter voreingenommen ist, kann der Manager nicht einfach einen Bericht vorlegen. Aber durch die schrittweise Offenlegung von Informationen kann der Manager den Mitarbeiter zu einem Preis führen, der einen höheren Gewinn abwirft, als es irgendein einzelner Bericht je könnte.
Das „Crawford-Sobel“-Szenario: Dies ist ein berühmtes Modell, in dem Sender und Receiver leicht unterschiedliche Ziele haben (wie ein Politiker und ein Wähler). Das Papier beweist, dass selbst hier der Sender gewinnen kann, wenn der Receiver auf eine „ausgewogene“ Weise voreingenommen ist (das heißt, sein Bias drängt nicht immer in nur eine Richtung), indem er eine mehrstufige Strategie anwendet.

Die Grenzen des Tricks

Es ist wichtig zu beachten, was dieses Papier nicht aussagt. Es behauptet nicht, dass man einen voreingenommenen Menschen zu allem überreden kann, was man möchte. Es gibt Grenzen.

Die Autoren zeigen, dass ein Sender selbst mit unendlich viel Zeit und Information nicht immer das „First-Best“-Ergebnis (das absolut perfekte Ergebnis) erreichen kann. Wenn der Receiver beispielsweise stur ist, gibt es eine mathematische Decke, wie weit seine Überzeugung in eine bestimmte Richtung driften kann. Das Papier liefert ein spezifisches Beispiel, in dem der maximale Ertrag des Senders strikt niedriger ist als der, den er erzielen würde, wenn der Receiver ein perfekter, unvoreingenommener Kalkulator wäre. Während die sequentielle Überzeugung also ein mächtiges Werkzeug ist, ist sie kein Zauberstab, der alle Regeln der Logik bricht.

Warum das wichtig ist

Diese Forschung ist ein konstruktiver Beweis, was bedeutet, dass die Autoren nicht nur sagten „es ist möglich“, sondern zeigten, wie man es macht. Sie haben demonstriert, dass die Interaktion zwischen der spezifischen Art des Bias des Receivers und der Strategie des Senders eine neue Dynamik schafft.

Die Kernbotschaft ist, dass die Informationsstruktur wichtig ist, wenn Menschen unvollkommen sind. In einer Welt perfekter Roboter ist der Zeitpunkt der Information irrelevant. Aber in einer Welt von Menschen, die ihre Überzeugungen mit einer Mischung aus Logik und Sturheit aktualisieren, zählt die Geschichte, die man erzählt, genauso viel wie die Fakten, die man erzählt. Indem man eine große Wahrheit in kleinere, sequentielle Teile zerlegt, kann ein Überzeugender die Vorurteile einer Person umgehen und sie zu einer Entscheidung führen, die eine einzige, überwältigende Tatsache niemals hätte erreichen können. Das Papier bestätigt, dass in vielen gängigen wirtschaftlichen Situationen die alte Regel, dass „der Zeitpunkt keine Rolle spielt“, gebrochen wird, und dass die Kunst des „Slow Burn“ eine mathematisch bewiesene Strategie für den Erfolg ist.

Technisches Resümee: Sequenzielle nicht-bayessche Überredung

1. Problemstellung

Dieses Paper untersucht ein Modell der strategischen Informationsübertragung (Überredung/Persuasion), bei dem die Aktualisierungsregel der Glaubensbildung des Empfängers systematisch von der Bayes-Regel abweicht. Die Autoren bauen auf dem Framework von De Clippel und Zhang [2022] auf, welches etablierte, dass die Standard-Bayes-Persuasion (BP)-Konkavierungsmethode auch dann anwendbar ist, wenn Empfänger verzerrte Überzeugungen haben, sofern die Verzerrung eine Funktion der Prior-Verteilung und der korrekten bayesschen Posterior-Verteilung ist.

Die zentrale Frage ist, ob sequenzielle Überredung – bei der ein Sender über mehrere Perioden hinweg Informationen bereitstellen kann, wobei zukünftige Signale auf vergangene Realisierungen konditioniert sind – dem Sender einen Mehrwert bietet, wenn der Empfänger nicht-bayessch handelt. Im klassischen bayesschen Setting (Kamenica und Gentzkew [2009]) ist sequenzielle Überredung redundant; jede sequenzielle Strategie kann durch eine einzige Informationsstruktur repliziert werden, die dieselbe Verteilung über Posteriors induziert. Die Autoren argumentieren, dass eine Abweichung vom Bayesianismus erklären kann, warum sequenzielle Überredung effektiver sein kann als eine einmalige Freigabe von Informationen.

2. Methodik und Modellaufbau

Die Umgebung

Das Modell umfasst einen Sender ( $S$ ) und einen Empfänger ( $R$ ) mit einem endlichen Zustandsraum $\Omega$ und einer gemeinsamen Full-Support-Prior-Verteilung $\mu_0$ .

Sender: Wählt eine Informationsstruktur (Experiment), um den Empfänger ( $R$ ) zu beeinflussen. Der Nutzen des Senders ist $v(\omega, a)$ .
Empfänger: Wählt eine Aktion $a \in A$ , um den erwarteten Nutzen $u(\omega, a)$ zu maximieren.
Verzerrung (Bias): $R$ aktualisiert seine Überzeugungen nicht mittels der Bayes-Regel. Stattdessen bildet eine Bias-Funktion $D: \Delta_{op}(\Omega) \times \Delta(\Omega) \to \Delta(\Omega)$ die Prior-Verteilung $\nu$ und die korrekte bayessche Posterior-Verteilung $\nu^1$ auf die verzerrte Posterior-Verteilung $D(\nu, \nu^1)$ ab.

Wichtige Eigenschaften der Verzerrung

Die Analyse stützt sich auf zwei spezifische Eigenschaften der Bias-Funktion $D$ :

Interiorität: Der Empfänger schließt niemals einen Zustand vollständig aus. Formal gilt: $\text{Supp}(D(\nu, \nu^1)) = \Omega$ für alle Priors und Posteriors. Dies unterscheidet das Modell von der Standard-Bayes-Aktualisierung, bei der extreme Posteriors erreicht werden können.
Schrittweise Lernfähigkeit (Eventual Learning): Wenn der Empfänger wiederholt mit Informationen konfrontiert wird, die eine feste bayessche Posterior-Verteilung $\nu^1$ induzieren, konvergiert seine Überzeugung gegen $\nu^1$ . Formal gilt: $\lim_{n \to \infty} D^n(\nu, \nu^1) = \nu^1$ .

Mechanismus der sequenziellen Überredung

In einer sequenziellen Strategie wählt $S$ in Periode 1 eine Informationsstruktur. Nach Beobachtung eines Signals aktualisiert $R$ seine Überzeugung mittels $D$ . In folgenden Perioden kann $S$ eine neue Informationsstruktur basierend auf der Historie der Signale wählen. Entscheidend ist, dass der Aktualisierungsprozess rekursiv ist: Die Überzeugung am Ende von Periode $n-1$ dient als Prior für Periode $n$ .

Versagen der Konkavierung: Im Gegensatz zum statischen Fall bricht die sequenzielle Überredung die Eins-zu-eins-Abbildung zwischen der bayesschen Posterior-Verteilung des Senders und der verzerrten Posterior-Verteilung des Empfängers auf. Unterschiedliche Sequenzen von Signalen können zur gleichen bayesschen Posterior führen, aber zu unterschiedlichen verzerrten Posteriors für $R$ . Folglich ist die Standard-Konkavierungsmethode (die zur Lösung der statischen BP verwendet wird) nicht anwendbar, um den optimalen sequenziellen Payoff zu charakterisieren.

Spezifisches Bias-Beispiel: Konservativer Bayesianismus

Um die Ergebnisse zu illustrieren, nutzen die Autoren eine parametrische Familie von Verzerrungen, die als „konservativer Bayesianismus“ bekannt ist:
$D_\alpha(\nu, \nu^1) = \alpha \nu + (1-\alpha)\nu^1$
wobei $\alpha \in (0,1)$ die Stärke der Verzerrung (Unter-Aktualisierung) darstellt. Diese Regel ist im Inneren (interior) und erfüllt die Eigenschaft des schrittweisen Lernens.

3. Zentrale Beiträge und Ergebnisse

Das Paper liefert konstruktive Beweise, die zeigen, dass der Sender von sequenzieller Überredung profitiert (d. h. einen strikt höheren erwarteten Payoff erzielt als die optimale Einmal-Strategie), sofern die Verzerrung bestimmte Eigenschaften erfüllt.

A. Umgebungen mit zwei Aktionen (Proposition 1)

Kontext: Der Empfänger hat zwei Aktionen und der Sender hat zustandsunabhängige Präferenzen (transparente Motive), wie im Beispiel „Staatsanwalt-Richter“.
Bedingung: Der Sender profitiert von sequenzieller Überredung genau dann, wenn die Verzerrung schwach bayessch plausibel ist. Diese Eigenschaft erfordert, dass für jede Menge von bayesschen Posteriors, deren konvexe Hülle die Prior-Verteilung enthält, auch die konvexe Hülle der entsprechenden verzerrten Posteriors die Prior-Verteilung enthält.
Ergebnis: Konservativer Bayesianismus ist schwach bayessch plausibel. Somit können die Sender die Tatsache ausnutzen, dass die Überzeugung des Empfängers im Inneren bleibt. Selbst wenn ein einzelnes Signal eine Posterior induziert, die den Empfänger dazu bringt, die weniger bevorzugte Aktion des Senders zu wählen, kann der Sender weiterhin Informationen bereitstellen, um die Überzeugung des Empfängers sukzessive in Richtung der bevorzugten Aktion zu „driften“.

B. Lineare Präferenzen (Proposition 2)

Kontext: Die optimale Aktion des Empfängers ist der Mittelwert seiner Überzeugung (z. B. $A = \mathbb{R}^k$ ) und der Sender hat lineare, zustandsunabhängige Präferenzen.
Bedingung: Der Sender profitiert von sequenzieller Überredung, wenn die Verzerrung interior ist, das schrittweise Lernen von Zuständen erfüllt und balanciert ist.
Balanciertheit (Balancedness): Diese Eigenschaft schränkt die Richtungen der Verzerrung ein. Sie erfordert, dass die Vektoren, die von bayesschen Posteriors zu verzerrten Posteriors (gegeben einen Prior) zeigen, nicht einseitig sind; ihre konvexe Hülle muss den Nullvektor enthalten. Konservativer Bayesianismus ist balanciert.
Ergebnis: In linearen Umgebungen liefert die Einmal-Überredung keinen Gewinn für den Sender, wenn der Empfänger bayessch handelt (aufgrund der Bayes-Plausibilität). Jedoch ermöglicht sequenzielle Überredung bei einer balancierten, interiorisierten Verzerrung dem Sender, die Verteilung der Aktionen zu manipulieren, um den Payoff zu erhöhen, da Sender und Empfänger nach dem ersten Signal in ihren Überzeugungen divergieren.

C. Gemeinsame Präferenzen (Proposition 3)

Kontext: Sender und Empfänger haben identische Präferenzen (wohlwollender Sender).
Bedingung: Der Sender profitiert von sequenzieller Überredung genau dann, wenn der optimale Einmal-Payoff strikt kleiner als der Payoff unter vollständiger Information ist.
Ergebnis: Da die Verzerrung das schrittweise Lernen erfüllt, kann der Sender den Payoff unter vollständiger Information durch wiederholte Übertragung vollständig aussagender Signale annähern. Wenn die Einmal-Beschränkung verhindert, diesen Payoff zu erreichen, ist sequenzielle Überredung strikt wertvoll.

D. Crawford-Sobel-Präferenzen (Proposition 4)

Kontext: Die Präferenzen sind durch einen konstanten Bias-Term $b$ falsch ausgerichtet (Standard-Crawford-Sobel-Modell).
Bedingung: Der Sender profitiert von sequenzieller Überredung, wenn die Verzerrung interior ist, das schrittweise Lernen von Zuständen erfüllt und balanciert ist.
Ergebnis: Ausgehend von einer optimalen Einmal-Strategie kann der Sender seinen Payoff verbessern, indem er zusätzliche Informationen sendet, falls eine spezifische Posterior realisiert wird, wodurch er die Überzeugung des Empfängers effektiv weiter in die Richtung drängt, die dem Sender nützt.

4. Mechanismen, die die Ergebnisse antreiben

Das Paper identifiziert drei primäre Mechanismen, durch die sequenzielle Überredung die statische Überredung in Gegenwart von Verzerrungen übertrifft:

Glaubensdrift (Belief Drift): Mit einem einzelnen Signal kann die verzerrte Posterior des Empfängers nicht zu weit von der Prior abweichen. Durch die Wiederholung von Informationen kann der Sender einen „Drift“ induzieren, bei dem sich die Überzeugung weiter entfernt bewegt und schließlich den Schwellenwert überschreitet, der erforderlich ist, damit der Empfänger die vom Sender bevorzugte Aktion wählt.
Bedingte Fortsetzung (Conditional Continuation): Selbst wenn ein einzelnes Signal die bevorzugte Aktion induziert, kann der Sender die Wahrscheinlichkeit dieser Aktion erhöhen, indem er zusätzliche Informationen nur dann bereitstellt, wenn die Realisierung des ersten Signals zu einer nicht bevorzugten Aktion führt.
Verletzung der Bayes-Plausibilität: In der statischen Überredung muss die Verteilung der verzerrten Posteriors bayessch plausibel sein (die Prior liegt in der konvexen Hülle). In der sequenziellen Überredung sind, da Sender und Empfänger nach dem ersten Signal unterschiedliche Überzeugungen haben, die Verteilung der verzerrten Posteriors über die gesamte Sequenz nicht mehr auf die gleiche Weise durch die ursprüngliche Prior beschränkt, was neue, vom Sender bevorzugte Aktionsverteilungen ermöglicht.

5. Bedeutung und Grenzen

Die Autoren behaupten, dass ihre Arbeit den Wert von dynamischem Informationsdesign in wirtschaftlich relevanten Umgebungen demonstriert, in denen Empfänger systematische Verzerrungen aufweisen. Die Beweise sind konstruktiv und zeigen auf, wie spezifische Eigenschaften der Verzerrung (Interiorität, schrittweises Lernen, Balanciertheit) mit den Payoff-Strukturen interagieren, um die sequenzielle Überredung vorteilhaft zu machen.

Grenzen und Umfang:

Optimalität: Das Paper löst nicht allgemein die optimale sequenzielle Überredungsstrategie. Aufgrund des Versagens der Konkavierungsmethode ist das Finden des Optimums selbst in einfachen Umgebungen rechnerisch schwierig. Die Ergebnisse konzentrieren sich darauf zu beweisen, dass irgendeine sequenzielle Strategie einen strikt höheren Payoff liefert als die beste statische Strategie.
First-Best-Payoff: Die Autoren merken an, dass sequenzielle Überredung typischerweise nicht erlaubt, dass der Sender seinen „First-Best“-Payoff (bei dem der Empfänger in jedem Zustand die vom Sender bevorzugte Aktion wählt) erreicht. Es gibt Grenzen; beispielsweise ist der Payoff des Senders in linearen Umgebungen mit konservativem Bayesianismus aufgrund der Supermartingal-Eigenschaften des Überzeugungsprozesses strikt unter dem First-Best begrenzt.
Vergleich mit Korrelationsneglect: Das Paper unterscheidet sein Modell vom „Korrelationsneglect“ (Levy et al. [2022]). Beim Korrelationsneglect kann der Sender den First-Best durch die Korrelation von Signalen erreichen. In diesem Modell ist die Verzerrung jedoch intrinsisch an die Aktualisierungsregel selbst gebunden, und die Macht des Senders ist begrenzter.
Aktualisierungsverfahren: Die Ergebnisse beruhen auf einem spezifischen rekursiven Aktualisierungsverfahren, bei dem die Verzerrung in jedem Schritt unter Verwendung der aktuellen Posterior als neuer Prior angewendet wird. Die Autoren diskutieren kurz alternative Verfahren (z. B. die Ankerung an die ursprüngliche Prior), merken aber an, dass diese andere Ergebnisse liefern könnten und dies der zukünftigen Arbeit überlassen wird.

Zusammenfassend lässt sich sagen, dass das Paper etabliert, dass in Anwesenheit einer systematischen, nicht-bayesschen Überzeugung die Fähigkeit, Informationen sequenziell bereitzustellen, ein mächtiges Werkzeug für Sender ist, das Gewinne in klassischen Settings ermöglicht, in denen statische Überredung ineffektiv oder suboptimal wäre.