Learning by Doing and the Choice of Technology
干中学与技术选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要描述技术选择与学习的理论模型，未提供对应所列计量细分方向的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
干中学与技术选择
- 研究问题
- 技术使用积累的专长与切换技术带来的专长损失，如何共同决定技术升级、长期产出增长及个体间的赶超？
- 方法与思路
- 作者构建贝叶斯学习模型，将技术参数知识视为人力资本，并让技术切换造成暂时的专长损失，跨度越大损失越大。
- 材料陈述的贡献
- 摘要称熟练者可能坚持原技术而停止长期增长，较不熟练者则可能持续切换并增长，因此模型能够产生赶超。
- 阅读关注点
- 应核对学习与技术切换的具体设定、升级决策的均衡条件，以及长期停滞、持续增长和赶超分别依赖哪些条件。
- 阅读边界
- 所给材料为出版社摘要，未说明学习过程、技术集合及长期结果的完整条件，也未提供实证检验或估计证据。
原文摘要
In a Bayesian model of learning, the more an agent uses a technology, the better he learns its parameters. This expertise is a form of human capital. Switching to a new technology temporarily reduces expertise: the bigger the leap, the bigger the loss. This may prevent the agent from climbing the technological ladder too fast. Someone skilled may want to stick to his technology and experience no growth in the long run. But someone less skilled may want to switch technologies over and over again and, therefore, enjoy long-run growth in output. Thus, the model can give rise to overtaking. Copyright 1996 by The Econometric Society.