技術的要約：内生的な正当化：専門家のアドバイスにおける評判と努力

1. 問題と動機

本論文は、長期的な専門家と、一連の短期的な受信者との間で行われる、リスクの高いプロジェクトに関する助言の提供に関する戦略的相互作用を調査している。中心となる問題は、**内生的な学習（endogenous learning）**である。すなわち、専門家の能力を評価するために生成される情報の質が、受信者の実施努力に依存し、その努力がさらに専門家の現在の評判に依存するという点である。

標準的なモデルでは、パフォーマンス・テスト（性能テスト）が固定されているか、あるいは専門家が自身の能力を私的に知っていることを前提としているが、本モデルは**共通の不確実性（common uncertainty）**を特徴とする。すなわち、専門家も公衆も、専門家の固定された能力（$\theta \in \{H, L\}$）を知らない。専門家はプロジェクトの適合性に関する私的なバイナリ信号を観察するが、好意的な証拠を捏造することはできず、単にそれを抑制することしかできない。好意的な推奨は、受信者にプロジェクトを実施させ、コストのかかる努力レベルを選択させる。決定的なのは、高い評判がより高い実施努力を導くことである。この努力は成功の確率を高めるだけでなく、より重要なことに、失敗が「能力の低さ」をより診断的なものにする（すなわち、実行の不備という説明が成立しにくくなるため）。

専門家はトレードオフに直面する：適切なプロジェクトを推奨すれば即時的な余剰を得られるが、同時に、受信者の信頼によって内生的に決定される精度を持つパフォーマンス・テストに対して、自身の不確実な評判をさらすことになる。本論文は、このフィードバック・ループが専門家の助言、情報の生産、および能力の長期的な正当化（vindication）にどのように影響するかを問うものである。

2. 方法論とモデル構造

環境

• エージェント： 長期的な専門家と、一連の短期的な受信者。
• 状態： 固定された未知の能力 $\theta \in \{H, L\}$。状態 $\omega_t \in \{0, 1\}$ はプロジェクトの適合性を示す。
• 信号： 専門家は、精度 $q_\theta$ ($q_L < q_H$) を持つ私的な信号 $s_t$ を観察する。信号構造は対称的であり、$P(s_t=1|\theta) = 1/2$ である。これは、信号自体は能力を明らかにしないことを意味する。
• 行動：
  • 専門家： $R$（リスクのあるプロジェクト）を推奨するか、$S$（安全な代替案）を推奨する。制約として、$R$ は $s_t=1$（好意的な評価）の場合にのみ実行可能である。
  • 受信者： 推奨事項と公的な評判 $\pi_t$ を観察する。プロジェクトを実施するかどうか（$x_t=1$）を決定し、努力量 $e_t \in [0, 1]$ を選択する。
• 結果： 実施された場合、確率 $\omega_t e_t$ で $y_t=1$（成功）となる。結果は公開される。
• 利得： 専門家は、受信者のプロジェクト余剰（$\alpha$）と、割引率 $\delta$ で割り引かれた評判からのフロー的なキャリア・リターン（$\beta r(\pi_t)$）の加重和を最大化する。キャリア・リターン関数 $r(\pi)$ は増加関数であり、その凹性は収穫逓減またはリスク回避を表す。

主要なメカニズム

1. 評判依存的な努力： 受信者は、期待余剰が固定コスト $\kappa$ を上回る場合にのみプロジェクトを実施する。これにより、機械的な実装閾値 $\underline{\pi}$ が生じる。$\underline{\pi}$ より上の場合、努力 $e(\pi)$ は評判に対して厳密に増加する。
2. 内生的な診断性： 好意的な推奨によって生成される実験は、努力が高いほど（ブラックウェル順序において）より情報量が多くなる。具体的には、努力が増加するにつれて、失敗の尤度比は高能力に対してより不利なものになる一方で、成功の尤度比は一定に保たれる。
3. 戦略的な露出（Strategic Exposure）： 専門家は、テストを誘発するかどうかを選択する。潜在的な評判の下落（失敗によるもの）に伴うキャリア・コストがプロジェクト余剰を上回る場合、専門家は好意的な信号がある場合でも、あえて $S$ を推奨して（情報を抑制して）しまうことがある。

3. 主要な結果

アドバイスのカットオフと単調な露出

本論文は、専門家の戦略が**評判のカットオフ（reputation cutoff）**に従う条件を確立している。

• 変換： 無限期間の問題は、静的な評判のアニュイティ（年金）価値を差し引くことで、最適停止再帰問題へと還元される。専門家の決定は、プロジェクト余剰と、「イェンセン・コスト」（将来の評判の平均保存拡散のコスト）からなる「フロー指数」に依存する。
• 単調露出条件（Monotone Exposure Condition）： 実装閾値が十分に高い場合、露出のイェンセン・コストは評判に対して弱単調減少することを本論文は証明している。これは、完全な評判に近い状態では、努力の感度が限定され、事後分散が縮小するためである。
• カットオフ： この条件下で、一意のカットオフ $\pi^A \ge \underline{\pi}$ が存在する。
  • $\pi_t < \pi^A$ の場合、専門家は好意的な助言を抑制する（信号に関わらず $S$ を推奨する）。
  • $\pi_t \ge \pi^A$ の場合、専門家は好意的な助言を行う。
  • カットオフ $\pi^A$ は、キャリアへの関心の強さ（$\beta/\alpha$）に対して弱単調増加する。キャリアへの関心が支配的になるにつれ、カットオフは1に近づく。

内生的な正当化と吸収

戦略的なカットオフは、吸収される不信領域（absorbing distrust region） $[0, \pi^A)$ を創出する。

• 機械的な吸収： 評判が $\pi^A$ を下回ると、プロジェクトは実施されなくなり、結果も生成されず、評判は固定される。沈黙は永久に続く。
• 低能力の専門家： 有限の期待時間内に、確率1で不信領域に入る。
• 高能力の専門家： 不運な失敗の連鎖により、正の確率で不信領域に入る。もし吸収を免れた場合、彼らの評判は1（完全な正当化）へと収束する。
• 誤った不信（False Distrust）： 高能力の専門家が永久に不信状態に置かれる確率は、正確な尤度比表現によって特徴付けられる。キャリアへの関心が強まると、カットオフが高くなり、その結果、誤った不信の確率が増大し、能力に関する総情報量が減少する。

比較静学と情報

• 集中的限界 vs 拡張的限界： キャリアへの関心が強まると、カットオフが高くなる。これには二つの相反する効果がある：
  1. 集中的（Intensive）効果： 生存しているテストはより高い評判の下で行われるため、より高い努力と、より診断的な結果を誘発する。
  2. 拡張的（Extensive）効果： プロセスがより早く停止するため、全体として行われるテストの回数は減少する。
• 純効果： 拡張的限界が支配する。キャリアへの関心が強まると、能力に関する総情報量および正当化の確率は、弱単調に減少する。高いカットオフの下での公的な記録は、低いカットオフの下での記録に対する「ガブリング（情報の劣化）」となる。

4. 貢献と意義

理論的貢献

1. 内生的な正当化（Endogenous Vindication）： 本論文は、専門家が能力を確立するためには、他者がその能力を明らかにするような行動を繰り返し誘発しなければならないというメカニズムを導入している。これは、固定されたテストや私的な信号を通じて能力が明らかになるモデルとは対照的である。
2. 学習の戦略的停止： 標準的なキャリア・コンサーン・モデルでは、専門家が「バブル（空言）」を吐いたり予測を歪めたりする可能性があるが、ここでは専門家は証拠の生成そのものを完全に停止させる。これは、一時的な歪みではなく、永久的な学習の崩壊（吸収）をもたらす。
3. 凹性の役割： 本論文は、歪みを生じさせるためには凹的なキャリア・リターン（収穫逓減）が必要であるが、単純なカットオフのための十分条件ではないことを明確にしている。また、「単調露出」の性質が保持されるための原始的な条件（滑らかさ、高い実装閾値など）を提示している。
4. 共通の不確実性： 専門家が自身の能力を知らないと仮定することで、モデルはタイプ・シグナリングの動機から露出の決定を分離している。専門家の推奨は、既知の才能をシグナルとして送ることではなく、不確実な才能を公的なテストにさらすかどうかの選択である。

意義の主張

著者らは、このモデルが、なぜ集計レベルにおいて、より大きな信頼がより少ない学習と結びつくことがあるのかを説明できると主張している。

• 医療行為、コンサルティング、組織変更などの環境では、高い評判が高度な努力を誘発し、失敗を極めて診断的なものにする。
• しかし、専門家がキャリアの結果に対してリスク回避的（凹的なリターン）である場合、診断的な失敗のリスクを避けるために、好意的な助言を控える可能性がある。
• その結果、実施された推奨事項に限定されたデータは、高い努力と診断的な失敗を示しているかもしれないが、この選択バイアスは、多くの潜在的なテストが抑制されていた事実を隠蔽してしまう。生存しているテストはより情報量が多いが、学習の総量は減少する。

本論文は、評判が、パフォーマンスのエビデンスを生産するための入力であると同時に、そのエビデンスによる成果でもあることを示している。専門家が正当化のプロセスを継続している間のみ、能力を正当化することができる。一度専門家が不信領域に入ると、正当化のプロセスは永久に停止する。