三个半阶段的群体智慧
《Collective Intelligence》:Three and a half stages of crowd wisdom
【字体:
大
中
小
】
时间:2026年04月02日
来源:Collective Intelligence
编辑推荐:
摘要
背景:根据“群体智慧”的观点,即使大多数群体成员并不聪明,群体仍然可以表现出智慧。大量文献假设可以通过平均群体成员的数值预测或概率估计来提取群体的智慧。
目的:我们比较了多种聚合方法,从简单的平均方法到优化的动态模型和神经网络。
研究设计:我们应用了多种聚合方法——包括简单
摘要
背景:根据“群体智慧”的观点,即使大多数群体成员并不聪明,群体仍然可以表现出智慧。大量文献假设可以通过平均群体成员的数值预测或概率估计来提取群体的智慧。
目的:我们比较了多种聚合方法,从简单的平均方法到优化的动态模型和神经网络。
研究设计:我们应用了多种聚合方法——包括简单平均、优化加权平均、动态Hegselmann–Krause社会学习模型以及两种神经网络架构——对一组概率判断数据进行测试,并通过分类准确性和Brier分数来评估性能。
研究样本:376名个体对1200个陈述提供了概率判断,这些陈述都有已知的事实真相。
数据收集和/或分析:所有聚合方法的性能都是通过分类准确性和Brier分数来评估的,神经网络架构则直接从数据中学习最优聚合函数。
结果:更复杂的聚合器能够获得更好的性能。虽然一些简单的平均方法的表现超过了平均参与者的水平,但优化加权平均和Hegselmann–Krause模型的表现显著更高。两种神经网络架构的表现远远超过所有其他方法,其准确率甚至超过了群体中表现最好的个体。
结论:群体智慧不应被视为一种固定属性,而应根据所使用的聚合方法在不同程度上实现。
引言
“群体智慧”的观点认为,即使群体成员并不聪明,群体仍然可以表现出智慧(Becker等人,2019年)。这一广泛的概念以两种不同的方式得到了具体化:一是群体的总体意见优于其“平均成员”的意见(参见例如Galton,1907年;Surowiecki,2004年中的许多例子;Davis-Stober等人,2014年);二是群体的总体意见优于群体中最优秀(最专家或最准确)成员的意见(Hong和Page,2004年、2025年;Page,2007年;Prelec等人,2017年)。尽管有一些证据支持这两种观点(参见例如Surowiecki和Page的著作),但也有一些证据反对群体智慧的观点(即也有证据表明群体智慧并不总是成立的)。例如,研究发现社会影响可能导致从众行为,从而降低集体准确性(Lorenz等人,2011年;但参见Navajas等人,2018年)。这种混合的证据引发了人们对群体在何种条件下能够表现出智慧的兴趣(例如,成员意见的相关程度或不同类型偏见的存在;参见Davis-Stober等人,2014年)。在这里,我们关注的是另一个问题,即用于从群体中提取智慧的聚合方法。许多关于群体智慧的研究只考虑了简单平均(即算术平均)作为聚合方法。在本文中,我们超越了这一点,考虑了一系列越来越复杂的聚合方法,并使用来自376名参与者的1200个陈述的概率判断数据集进行了实证测试。我们的结果表明,我们可以实现不同层次的群体智慧,有些方法甚至得出的估计结果超过了“平均”参与者,甚至是最好的参与者。
在初步阶段,我们通过考虑标准群体智慧方法的最简单泛化来进行基线分析,同时也研究了几何平均和调和平均。在第一个实际阶段,我们转向加权平均,为每个参与者找到最优权重。本文的主要贡献体现在第二和第三阶段。在第二阶段,我们通过已知的意见动态模型(特别是Hegselmann–Krause模型)进行迭代平均。在第三阶段,我们超越了预定义的公式,训练两种类型的神经网络直接从数据中学习最优聚合函数。我们发现大多数方法的表现都优于平均参与者,但只有神经网络聚合器的表现超过了所有个体参与者。
首先,我们详细介绍了我们比较的各种意见聚合器的层次结构(第2节),然后展示了我们的实证结果(第3节)。正如我们将展示的,聚合方法是决定群体能够达到的智慧层次的关键因素。最后,我们讨论了这些发现的更广泛意义,同时也指出了我们工作的一些局限性,并提出了一些进一步研究的方向(第4节)。
聚合器
“群体智慧”是一个广泛的论点,通常适用于非常不同类型的判断。经典的例子包括连续量的总体估计,如牛的重量(Galton,1907年)或埃菲尔铁塔的高度(Navajas等人,2018年),也包括分类预测——例如,关于哪位候选人会赢得选举——以及排名,如按偏好或质量对项目进行排序(例如,Landemore,2012年)。我们的数据由概率判断组成,因此我们特别关注使用各种聚合方法聚合概率判断是否能产生“优于平均”甚至“优于最佳”的概率。自然地,这对我们考虑的聚合器有影响;例如,我们不考虑处理分类判断的投票规则。以下是我们在研究中考虑的聚合器:
简单平均
通常所说的“平均”只是一个均值家族的成员,这个家族有时被称为f-均值,定义如下(Bullen,2003年,第266页):
Mf(x1,…,xn) = d/f^(-1) ∑_{i=1}^n f(xi)/n
如果我们让f是任何线性函数(例如,恒等函数),则得到算术平均;如果f是对数函数,我们得到几何平均;如果f是倒数函数,我们得到调和平均。这些可以说是最著名的均值,我们都考虑了。此外,我们还考虑了对数几率均值,它是上述公式中f为logit函数(因此f^(-1)为逻辑函数)的情况,因为在假设个体判断条件独立且校准良好的情况下,它被提倡为概率聚合的规范标准(参见Genest和Zidek,1986年;Morris,1983年)。
加权平均
另一个更广泛的均值家族是加权f-均值,定义为:
Mf_ω(x1,…,xn) = d/f^(-1) ∑_{i=1}^n ω_i f(xi) / ∑_{i=1}^n ω_i
其中ω = (ω1, …, ωn)是非负权重(Bullen,同上)。虽然等权重平均(即f-均值所做的)平等对待所有参与者,但人们可能希望根据他们的整体表现或其他属性来加权参与者。在第3节中,我们采用了一种进化算法来找到最大化性能的参与者权重。
动态聚合
Hegselmann–Krause模型
超越静态聚合方法,我们实现了Hegselmann–Krause(HK)意见动态模型的修改版本(Hegselmann和Krause,2002年)。该模型最初是为研究社交网络中的共识形成和两极分化而开发的,它将意见聚合视为一个迭代过程,在这个过程中,代理根据与他们“足够相似”的其他代理的意见来更新自己的意见。更具体地说,该模型考虑了一个由代理V组成的社区,这些代理的意见都可以用单位区间内的实数表示。在每次迭代中,代理通过平均其“同行”在当前迭代中的意见来更新自己的意见,其中“同行”是通过有界置信区间(BCI)的概念来形式化的。代理i的BCI包括那些意见与i自己的意见相差不超过某个值?_i ∈ [0, 1]的代理,?_i被称为代理i的置信界限。正式地,在每次迭代s中,代理i根据以下公式更新其意见:
xi(s+1) = 1/X_i(s) ∑_{j∈X_i(s)} x_j(s)
其中x_j(s)是代理j在s次迭代后的意见,X_i(s) = {j∈V: xi(s) ? x_j(s) ≤ ?_i}是在s次迭代后位于代理i的BCI内的代理集合。
注意,在标准的HK模型中,每个代理总是自己的同行,而且在更新时,其意见的权重与其同行的意见完全相同。正如Fu等人(2015年)所论证的,这并不总是现实的。实际上,我们通常希望对自己的意见赋予更多的权重,即使我们也希望考虑他人的意见。因此,他们提出了HK模型的一个修改版本,其中每个代理i由两个参数表征:α_i ∈ [0, 1]和?_i ∈ [0, 1],前者调节意见更新中的自我权重(即代理给予自己意见的权重相对于其同行意见平均值的权重),后者是基于意见距离的同行选择阈值,尽管现在代理本身被排除在同行计算之外。他们的模型然后根据以下公式迭代更新意见:
xi(s+1) = {α_i xi(s) + (1 ? α_i) / |X?_i(s)| ∑_{j∈X?_i(s)} x_j(s), 如果 X?_i(s) ≠ ?
否则
xi(s) = df_j∈V\{i} | |xi(s) ? x_j(s)| ≤ ?_i}
正如这里所呈现的,(HK)和(MHK)都是一维模型。然而,现实世界中的意见很少是孤立的。因此,个体的信念状态最好表示为多维意见空间中的向量。Hegselmann–Krause框架明确旨在扩展到这种多维情况(Hegselmann和Krause,2002年),并且已经提出了各种多维扩展并进行了分析(Amblard和Deffuant,2004年;Chen等人,2019年;Deffuant等人,2000年;Douven和Hegselmann,2022年;Fortunato等人,2005年;Huet等人,2008年;Lorenz,2007年,2008年)。这些模型通过用多维距离度量d(xi, xj)替换一维意见距离|xi ? xj|来进行泛化。我们采用了这种方法,并将其应用于(MHK)的多维概括。具体来说,我们定义两个代理之间的距离为它们在所有1200个陈述上的概率判断之间的平均平方差:
d_ij = ∑_{k=1}^{1200} (pi(k) ? pj(k))^2
这个距离矩阵反映了系统性的共识模式,而不仅仅是特定陈述的接近程度,决定了代理j是否是代理i的同行:当且仅当d_ij ≤ ?_i时,代理j是代理i的同行。重要的是,我们根据代理当前的(更新后的)概率在每次迭代中重新计算这个距离矩阵,以便随着意见的收敛,同行关系也可以演变。
最后,虽然Fu及其同事的模型中的第一个公式采用了代理自己意见与其同行意见的算术平均的加权和,但在这里我们可以使用其他均值。在我们的研究中,除了算术平均,我们还考虑了几何平均和调和平均,以及对数几率均值。对于这四种平均变体中的每一种,我们使用多目标进化优化在训练数据上优化2N个参数(每个N = 376个参与者的α_i和?_i),同时目标是最小化Brier分数和最大化准确性(见下文)。
神经网络聚合器
最后,我们超越了预定义的聚合公式,允许机器学习模型,特别是人工神经网络,直接从数据中学习最优聚合函数。我们实现了两种架构:
• 多层感知器(MLP):我们将使用的MLP由三个全连接层组成,大小分别为376 → 64 → 32 → 1,其中376是输入维度(对应于参与者数量),两个隐藏层分别有64和32个单元。我们对隐藏层使用ReLU激活函数,对输出层使用sigmoid激活函数以确保概率输出。为了避免过拟合,我们在每个隐藏层之后加入了0.2的dropout正则化。网络将使用Adam优化器进行训练,学习率为0.001,通过25个周期最小化二元交叉熵损失,批量大小为16。
• 长短期记忆(LSTM)网络:在我们的研究中,循环架构由两个堆叠的LSTM层组成,隐藏层大小分别为32和16,输入序列的维度为376(对应于参与者数量)。最后一个LSTM层后面是一个带有sigmoid激活函数的密集输出层。我们将每个输入通过网络处理5个时间步长,使模型能够迭代地改进其预测。这旨在反映MHK模型中发生的迭代更新。我们使用了RMSProp优化器,并采用默认参数进行训练,训练周期为25个时代,批量大小和损失函数与MLP相同。在初步实验表明更大的网络在这个任务上没有提供额外好处之后,我们选择了这些相对简单的架构,这可能是由于训练数据有限(960个声明,占数据集所基于的1200个声明的80%;见下文)。这两个神经网络都是使用Flux.jl深度学习框架在Julia中实现的。有关进一步的计算细节,请参阅补充材料。
**研究材料与程序**
为了测试各种聚合方法,我们重新分析了Stinson等人(2025年)的数据,这些数据包括376名参与者对1200个一般知识声明的概率分配,这些声明有已知的真实答案(例如,“第一个手持计算器是在1975年之前制造的”,“墨西哥在20世纪90年代是美国的主要贸易伙伴”)。这些声明分为六类(历史、地理、科学、体育和休闲、社会科学和政治、艺术和娱乐),每类有200个声明,其中100个是正确的,100个是错误的。参与者在六个在线会话中评估这些声明,在每个会话中呈现200个独特的声明,顺序对每个参与者都是随机的。参与者没有被告知基础概率。
如前所述,我们的数据由概率判断组成,这对我们可以考虑的聚合方法有影响。同时,这也影响了如何衡量性能,从而决定了一个聚合器是否比另一个更好。为此,我们使用了两个众所周知的标准:(i)准确性(或分类正确性),即二值化概率(如果>0.5则为真,否则为假)与实际真实值相符的比例(在我们的数据中我们知道这些真实值);以及(ii)Brier分数,即分配给声明的概率与该声明的实际真实值之间的平方差(错误时为0,正确时为1)。注意,对于前者标准,数值越高越好;而对于后者标准,数值越低越好。
为了确保我们的结果具有普遍性,我们将1200个声明分为训练集(80%)和保留的测试集(20%)。所有聚合器的最终性能都在测试集上报告。
对于需要优化的模型——加权平均值和MHK模型——参数仅在训练集上进行了拟合。为此,我们使用了一个多目标进化算法,具体来说是Borg MOEA(Hadka和Reed,2013年)。在我们的案例中,算法同时优化的目标是最小化聚合Brier分数和最大化聚合分类准确性。该算法通过许多代进化了一组“候选解决方案”(即参数向量),以发现一组非支配的或帕累托最优的解决方案。然而,事实证明我们的目标足够一致,以至于优化始终收敛到一个帕累托最优解,而不是一个权衡前沿。
为了评估我们模型性能的稳定性和不确定性,我们采用了适合每个模型结构和计算成本的验证程序。对于简单和加权平均方法以及MHK模型,我们通过从测试集中重复抽样376名参与者(N = 1,000次简单/加权平均的重新抽样;N = 500次MHK模型的重新抽样)并重新计算性能指标来进行自助法分析。对于神经网络模型,我们通过从不同的随机初始化训练每种架构100次来评估稳定性,并报告测试集上的性能均值和标准差。这种混合方法的验证提供了稳健的不确定性估计,同时保持计算上的可行性,因为对于更复杂的模型来说,完整的自助法重新优化在计算上代价太高。
对于MHK模型参数的优化,我们在每次调用目标函数时模拟了模型100次迭代。如补充材料中所显示的,对250次迭代的完整意见动态的分析表明,聚合意见的Brier分数和准确性在最初的100次迭代内就基本收敛。在优化阶段延长模拟时间将大幅增加计算时间,而发现参数的质量预期改进很小。在这个模型的自助法程序中,我们选择了相同数量的迭代次数。
所有11种聚合方法在保留的测试数据上的性能总结在图1中。结果揭示了一个明显的趋势:随着聚合方法复杂性的增加,集体性能(通过平均Brier分数(越低越好)和分类准确性(越高越好)得到改善。
**图1.** 11种聚合方法在保留的测试集上的平均Brier分数(左侧面板,越低越好)和平均分类准确性(右侧面板,越高越好)。方法按类型分组:简单未加权平均值(蓝色)、优化加权平均值(橙色)、MHK动态模型(绿色)和神经网络(粉色)。误差条代表来自自助法分析的95%置信区间(对于前三组)或来自100次独立训练运行的±1标准差(对于神经网络)。水平线表示测试集中平均个体参与者(虚线)和最佳个体参与者(点线)的性能(在两个标准中最佳个体是不同的)。结果显示,随着聚合器复杂性的增加,性能明显提高,最终神经网络是唯一在两个标准上都优于最佳个体的方法。
**预阶段:简单平均值**
我们首先使用简单的未加权f-均值(图1中的蓝色条形)建立了基线。在这个类别中,几何平均值(GM)成为赢家,平均Brier分数为0.143(95%置信区间[0.139, 0.148]),准确率为0.829(95%置信区间[0.806, 0.853])。其他三种平均值的表现在两个标准上都明显较差(通过一系列t检验确认,所有p < .0001,所有相关的效应大小通过Cohen’s d测量都很大)。虽然对数几率均值通常被认为是一个规范基准(Morris,1983年),但它在这里没有脱颖而出,这仅仅表明我们的数据集违反了模型的核心假设——个体判断是校准良好的并且条件独立的,这是真实世界人类数据的常见问题(Genest和Zidek,1986年)。尽管如此,算术平均值、几何平均值和对数几率均值都支持“群体智慧优于平均水平”的说法,因为它们的表现超过了平均个体参与者(虚线)。然而,这些简单的聚合器都没有接近群体最佳个体成员(点线)的表现。
**阶段I:加权平均值**
在复杂性的第一阶段,我们使用上述的Borg MOEA进化算法为每个参与者找到了一组最优权重,从相等权重过渡到差异权重(橙色条形)。对算术平均值、几何平均值、调和平均值和对数几率平均值分别进行了优化程序。最优加权的几何平均值(wGM)和对数几率平均值(wLog)并列获胜,前者在准确性方面明显优于后者(0.841,95%置信区间[0.818, 0.865],对比0.8,95%置信区间[0.774, 0.829];t < .0001,d = 5.35),而在另一个标准上则相反(0.14,95%置信区间[0.131, 0.146]对比0.141,95%置信区间[0.136, 0.147];t < .0001,d = 0.83)。两种加权平均值都显著优于简单的几何平均值,这一点通过两个t检验得到确认(p < .0001,wGM的Cohen’s d为1.75,wLog的Cohen’s d为2.31),并且加权几何平均值(但不是wLog)也显著优于简单的几何平均值(t < .0001,d = 0.59)。其他两种最优加权平均值的表现在两个标准上都显著低于加权几何平均值,但显著优于它们的未加权对应值。总体而言,结果证实,即使是简单的数据驱动优化形式——学习给予某些参与者更多影响力——也能从群体中提取额外的智慧。
有趣的是,任何一种平均值的最佳权重与参与者的准确性或他们的平均Brier分数之间的相关性始终很低,所有|r| < .32。
**阶段II:动态聚合**
在第二阶段,我们从静态聚合转向了基于社会学习的动态迭代过程,使用了之前介绍的修改后的Hegselmann–Krause(MHK)模型(绿色条形)。如前所述,我们使用Borg MOEA算法为参与者找到最优的α和?值,对每种感兴趣的平均值分别进行了优化程序。
转向迭代平均产生了显著的性能提升。使用对数几率平均值来平均同伴意见的MHK模型(HK-Log)在这个组中获得了最低的Brier分数0.119(95%置信区间[0.0912, 0.151]),与(在这个标准上)最佳的加权平均模型wLog相比有统计学上的显著改进(p < .0001,d = 2.74)。另一方面,使用几何平均值的MHK模型在另一个标准上表现最好,准确率为0.872(95%置信区间[0.841, 0.899]),这比(在这个标准上)最佳的加权平均模型wGM有显著改进(p < .0001,d = 3.1)。这些结果表明,模拟一个结构化的社会互动,其中代理根据信任的同伴网络更新他们的信念,是一种比单独的静态加权更强大的聚合机制。这一过程的潜在意见动态在补充材料中有说明。
与第一阶段的相关性分析类似,我们检查了给定平均值的最佳α和?参数与参与者的准确性和平均Brier分数之间是否存在关系,进行了线性回归,以α参数或?参数作为因变量,以准确性和平均Brier分数作为预测变量,也包括?参数(当α参数是因变量时)或α参数(当?参数是因变量时)作为协变量。在这些回归中,没有任何预测变量被证明是显著的。
进一步值得注意的是,优化的MHK参数在参与者之间显示出显著的异质性。补充材料中包含了各种分布的图表,显示所有池化变体的α和?参数几乎覆盖了整个[0, 1]范围,没有强烈的聚类模式。这表明一些参与者最优地保留了高自我权重,而其他人则大幅依赖于同伴,有些从广泛的置信范围内受益(与多样化的其他人互动),而其他人则在选择性的同伴群体中表现最佳。
**阶段III:神经网络聚合器**
在最后阶段,我们完全放弃了预定义的公式,训练了两种神经网络架构来直接从数据中学习最优的聚合函数(粉色条形)。这种方法取得了迄今为止最好的性能。多层感知器(MLP)和长短期记忆(LSTM)网络取得了几乎相同的结果。MLP的平均Brier分数为0.068(±0.008),平均准确率为0.913(±0.011),而LSTM网络的平均Brier分数为0.076(±0.018),平均准确率为0.906(±0.021)。在两个标准上,MLP的表现都显著更好(两个p < .005),但两种情况下的效应大小都很小(两个ds < 0.46)。然而,这两种网络架构都显著优于最准确的MHK模型HK-GM(两个p < .0001,MLP的d = 2.23,LSTM网络的d = 1.58)以及HK-Log,后者是Brier分数最低的MHK模型(两个p < .0001,MLP的d = 3.95,LSTM网络的d = 3.51)。
重要的是要注意,神经网络方法是唯一一个明显超越了Brier分数最佳和准确性最佳的群体成员性能的方法,表明非线性聚合器(也许只有这样的聚合器)可以达到“优于最佳”的群体智慧水平。两种不同架构的类似表现也表明这一发现是稳健的,并不是特定模型选择的结果。
**讨论**
我们的系统研究了集体性能如何依赖于聚合方法的选择。研究结果清晰地表明:从人群中提取的智慧并非一个固定量,而是取决于聚合器的复杂性。从简单的平均值到优化的权重,再到动态的社会模型,最后到学习到的函数,我们在每个阶段都观察到了性能的显著提升(图1)。最显著的发现是神经网络聚合器的表现,这为“群体智慧优于最佳个体”的观点提供了强有力的实证支持(Hong和Page,2004;Page,2007)。虽然较简单的方法已经证实人群的表现可以超过其平均成员,但只有非线性的聚合器才能将376个人的判断综合成一个优于最优秀个体的最终预测。这表明,在像我们这样的环境中,当可用的输入仅限于预测者的原始概率判断时,只有当我们超越预定义的公式,允许聚合机制直接从数据中学习复杂的、不显而易见的可靠性和互动模式时,才能最容易地实现最高水平的集体智慧。这一发现的稳健性得到了两种不同神经架构几乎相同性能的验证,进一步加强了这一结论。
同样的发现也在社会科学中的集体智慧研究与机器学习中的集成学习原理之间建立了概念和实证上的桥梁。在该领域,长期以来人们已经知道,结合多个多样化的模型通常会比任何单一模型产生更好的性能(Breiman,1996;另见Huang等人,2024;Schoenegger等人,2024)。我们的结果表明,当“个体模型”是人类代理时,这一原则同样成立,并且我们将人群视为一个“人类集成体”。我们看到,如果让合适的聚合器学习如何最优地组合其成员的判断,这样的集成体可以实现显著的预测能力。
重要的是要承认我们研究的局限性,其中最显著的是由于我们更高级模型的计算成本。我们的验证方法——对简单模型使用群体自助法,对神经网络使用多种子运行——是对这样一个事实的务实回应:完整的自助重新优化会占用我们的计算机数周时间(或者需要在亚马逊的AWS上花费一大笔钱)。虽然我们的验证方法为每个模型类别提供了可靠的不确定性估计,允许在连续阶段之间进行有原则的统计比较,但我们承认,要验证整个参数寻找流程的稳定性,需要进行完整的自助重新优化。这必须留待未来的工作来完成,希望届时能够获得更多的计算资源。
此外,我们的发现基于一个单一的、尽管规模较大的概率判断数据集,其主要目标是最大化预测性能,通过准确性和布里尔分数来衡量。我们已经证明,在这些条件下,一个学习到的非线性聚合器可以显著优于所有其他方法。但是,最佳聚合策略可能取决于具体情境,会随着任务的性质、人群的结构或聚合的具体目标而变化(例如,Shinitzky等人,2025)。未来的工作可以在其他数据集上比较本文考虑的聚合器,并考虑它们的其他用途(例如,如果最终目标是达成最优的群体决策)。
此外,虽然我们的发现与决策分析中关于专家预测聚合的大量文献有关,但这些文献产生了许多复杂的方法,包括基于贡献的加权方法来估计预测者对准确性的边际贡献(Budescu和Chen,2015),基于IRT的模型来共同估计项目难度和预测者能力(Bo等人,2017),以及学习预测者特定参数的规则化方法(Satop??,2022)。我们的研究并不旨在全面评估所有可用的聚合方法。相反,我们的目标有两个:首先,将有限信心意见动态引入概率聚合,展示最初为模拟社会影响而开发的Hegselmann-Krause模型可以作为一种有效的聚合机制;其次,展示神经网络可以显著优于传统的聚合方法和我们基于HK的方法。尽管如此,对所有提出的聚合器进行全面系统的比较(理想情况下,还使用多个数据集)将是一个富有成果的项目。
作为未来研究的另一个方向,我们提到预测市场为我们的聚合方法提供了独特的现实世界验证机会。假设我们仍然能够联系到Stinson等人(2025)研究中报告的参与者,那么我们可以再次招募他们,这次是为了预测任务,并使用我们训练好的神经网络来聚合他们的预测概率。接下来,这些聚合预测可以在Polymarket(https://polymarket.com/)或Metaculus(https://www.metaculus.com/)等平台上与市场价格进行测试。如果基于这些聚合预测的交易一致或大部分是盈利的,那将是一个强有力的证据,表明复杂的聚合可以揭示即使是高效市场也未能发现的信息。
我们通过使用越来越复杂的聚合器来提高集体性能的方法,与另一种经过测试的提高集体性能的策略不同,但又是互补的,即通过结构化的社会互动来提高判断的质量。例如,Navajas等人(2018)表明,允许小群体进行讨论并形成共识,然后再对这些共识估计进行平均,也能产生优于大型人群传统智慧的聚合结果。请注意,他们的“程序性”解决方案改进了聚合的输入,而我们的“算法性”解决方案改进了聚合函数本身。未来研究的一个有趣方向是将这两种方法结合起来:首先,使用讨论来生成更高质量的初始判断,然后应用一个学习到的聚合器,如神经网络,来最优地组合这些精炼的判断。
总之,我们的发现主张改变视角。我们不是在问人群是否聪明,或者在什么条件下他们聪明,而是在问如何释放他们的智慧。我们的结果表明,集体智慧的局限往往不在于人群本身,而在于我们用来倾听它的工具。至少根据我们的数据,我们可以得出结论,通过采用更复杂的聚合方法,可以逐步实现群体智慧的不同阶段,最终达到超越任何个体成员能力的集体智慧。
致谢
我们感谢Christopher von Bülow和两位匿名审稿人对之前版本的宝贵意见。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号