[論文レビュー] Human collective intelligence as distributed Bayesian inference

P. M. Krafft, Julia Zheng+6 more|arXiv (Cornell University)|Aug 5, 2016

Opinion Dynamics and Social Influence参考文献 25被引用数 21

ひとこと要約

この論文は、人間の集団知能が分散型ベイズ推論として発生することを提案している。個々の人は、意思決定を導くために限定的合理主義的な事前分布として人気を用いる。その結果、合理的な集団レベルの信念形成が生じる。50,000人のソーシャルトレーダーからなるデータセットにおいて、このメカニズムはトンプソンサンプリングに近似しており、集団的合理性が個々のヒューリスティクスから生じることを示している。

ABSTRACT

Collective intelligence is believed to underly the remarkable success of human society. The formation of accurate shared beliefs is one of the key components of human collective intelligence. How are accurate shared beliefs formed in groups of fallible individuals? Answering this question requires a multiscale analysis. We must understand both the individual decision mechanisms people use, and the properties and dynamics of those mechanisms in the aggregate. As of yet, mathematical tools for such an approach have been lacking. To address this gap, we introduce a new analytical framework: We propose that groups arrive at accurate shared beliefs via distributed Bayesian inference. Distributed inference occurs through information processing at the individual level, and yields rational belief formation at the group level. We instantiate this framework in a new model of human social decision-making, which we validate using a dataset we collected of over 50,000 users of an online social trading platform where investors mimic each others' trades using real money in foreign exchange and other asset markets. We find that in this setting people use a decision mechanism in which popularity is treated as a prior distribution for which decisions are best to make. This mechanism is boundedly rational at the individual level, but we prove that in the aggregate implements a type of approximate "Thompson sampling"---a well-known and highly effective single-agent Bayesian machine learning algorithm for sequential decision-making. The perspective of distributed Bayesian inference therefore reveals how collective rationality emerges from the boundedly rational decision mechanisms people use.

研究の動機と目的

• 集団的合理性が限定的合理主義的個々の意思決定からどのように生じるかを形式的枠組みで説明すること。
• 個々の人の社会的意思決定を、社会的ヒット数（人気）を事前分布として用いる分散型ベイズ推論プロセスとしてモデル化すること。
• 実際の金融意思決定を含むオンラインソーシャルトレーディングプラットフォームからの大規模データセットを用いて、モデルを検証すること。
• 観察された社会的影響のパターンが、代替モデルと比較して提示された社会的サンプリングメカニズムによってよりよく説明されるかどうかを検証すること。
• 人気とパフォーマンスの相互作用が、集団における近似的ベイズ推論の仮説を支持するかどうかを評価すること。

提案手法

• 個々の人がまず人気（事前分布として扱う）に基づいて選択を行い、次に客観的証拠に基づいて意思決定を確定させる社会的サンプリングメカニズムを提案する。
• 個々の意思決定を近似的ベイズ更新としてモデル化し、人気が歴史的証拠を符号化しているとみなす。
• 集団レベルで近似的トンプソンサンプリングの一種としてこのメカニズムを形式化し、人気が事後分布を近似しているとみなす。
• eToroの50,000人以上のユーザーからなるデータセットを用いて、模倣者数とパフォーマンス（30日間のROI）の時間的推移を追跡することで、モデルを実証的に検証する。
• 以前の人気とパフォーマンスの交互作用を含む回帰分析を用い、乗法的効果を検証する。
• 位置バイアスなどの交絡要因を制御するため、低人気ユーザーを分析し、インターフェース設計上の制約を検討する。

実験結果

リサーチクエスチョン

• RQ1 社会的ヒントと客観的証拠の両方を頼りにした意思決定状況において、個々の人はどのように信念を形成するのか？
• RQ2 限定的合理主義的個々の意思決定メカニズムが、合理的な集団レベルの推論を生み出すことができるか？
• RQ3 ソーシャルプラットフォームにおける人気とパフォーマンスの相互作用は、裏にベイズ推論プロセスが存在することを反映しているのか？
• RQ4 観察された社会的影響のパターンは、提示された社会的サンプリングモデルが代替モデルよりもよく説明できるか？
• RQ5 観察データが、集団的信念形成のメカニズムに関する因果的主張をどの程度支持できるか？

主な発見

• 個々の人は人気を事前分布として扱い、どの選択肢を検討するかをガイドするために用いている。これはベイズ的解釈と整合的である。
• 以前の人気とパフォーマンスの交互作用は、将来の人気変化を有意に予測しており、回帰モデルにおけるp値は0.05未満である。
• この効果は、人気が低い（例：0人または1人のミミッカー）ユーザーにおいて特に強く、このメカニズムが低可視性の状況でも機能していることを示している。
• 人気とパフォーマンスの乗法的相互作用は、インターフェース制約や同時ソートの欠如から生じる位置バイアスによって説明される可能性は低い。
• eToroのユーザー自己報告はモデルを支持しており、アドバイスでは人気を出発点として強調し、パフォーマンスを二次的チェックとして用いている。
• 集団行動はトンプソンサンプリングに近似しており、これは順次的意思決定におけるよく知られたベイズアルゴリズムである。これは、集団レベルの合理的推論が個々のヒューリスティクスから生じることを示している。