[論文レビュー] Implementing Optimal Outcomes in Social Computing: A Game-Theoretic Approach

Arpita Ghosh, Patrick Hummel|arXiv (Cornell University)|Feb 15, 2012

Experimental Behavioral Economics Studies被引用数 6

ひとこと要約

本稿は、社会的計算システムにおける最良貢献メカニズム（貢献の上位1件のみが高報酬を受けるもの）が最適な結果を実現できるかどうかをゲーム理論的枠組みで評価する。貢献者の質が専門性にのみ依存する場合には、対称的均衡を介して最適な結果を達成可能であることが示されるが、努力が内生的である場合には、努力をインcentivizeし、最適な実装を可能にするために不完全なランク付けが不可欠である。

ABSTRACT

In many social computing applications such as online Q&A forums, the best contribution for each task receives some high reward, while all remaining contributions receive an identical, lower reward irrespective of their actual qualities. Suppose a mechanism designer (site owner) wishes to optimize an objective that is some function of the number and qualities of received contributions. When potential contributors are strategic agents, who decide whether to contribute or not to selfishly maximize their own utilities, is such a "best contribution" mechanism, M_B, adequate to implement an outcome that is optimal for the mechanism designer? We first show that in settings where a contribution's value is determined primarily by an agent's expertise, and agents only strategically choose whether to contribute or not, contests can implement optimal outcomes: for any reasonable objective, the rewards for the best and remaining contributions in M_B can always be chosen so that the outcome in the unique symmetric equilibrium of M_B maximizes the mechanism designer's utility. We also show how the mechanism designer can learn these optimal rewards when she does not know the parameters of the agents' utilities, as might be the case in practice. We next consider settings where a contribution's value depends on both the contributor's expertise as well as her effort, and agents endogenously choose how much effort to exert in addition to deciding whether to contribute. Here, we show that optimal outcomes can never be implemented by contests if the system can rank the qualities of contributions perfectly. However, if there is noise in the contributions' rankings, then the mechanism designer can again induce agents to follow strategies that maximize his utility. Thus imperfect rankings can actually help achieve implementability of optimal outcomes when effort is endogenous and influences quality.

研究の動機と目的

• 戦略的貢献者を伴う社会的計算システムにおいて、最良貢献メカニズム（MB）が最適な結果を実装できるかどうかを特定すること。
• 貢献の質が貢献者の専門性にのみ依存する状況と、努力の意思決定が内生的である状況を分析すること。
• 異なる報酬構造のもとで、対称的均衡および非対称的均衡において最適な結果が達成可能かどうかを調査すること。
• 効用パラメータが不明な状況において、メカニズム設計者が最適な報酬パラメータ pB と pC をどのように学習できるかを検討すること。
• 努力が内生的に選択される状況において、ランク付けのノイズが最適な実装を可能にする役割をどのように果たすかを検討すること。

提案手法

• エージェントが専門性と効用関数に基づいて貢献するかどうかを決定するゲーム理論的モデルを形式化する。
• 最良貢献メカニズム（MB）を導入し、2つのパラメータ（pB：最良貢献への報酬、pC：他の全貢献者への報酬）を有する。
• エージェントが専門性がカットオフ値を超える場合にのみ貢献するというしきい値戦略を用いて対称的均衡を分析する。
• 適切な pB と pC の選択により最適な結果が実装可能である条件を導出する。
• 不完全な質の評価をモデル化するため、ノイズを含むランク関数（si = qi + ǫi）を導入し、努力に対するわずかなインセンティブを可能にする。
• 比較静的分析と均衡分析を用いて、不完全なランク付けのもとで ∂π/∂qi > 0 が成り立つことを示し、努力のインセンティブを創出する。

実験結果

リサーチクエスチョン

• RQ1 貢献の質が専門性にのみ依存する場合、最良貢献メカニズム MB が均衡状態で最適な結果を実装できるか？
• RQ2 貢献者が努力を内生的に選択する場合、最適な結果は実装可能か？また、その実現はランク付けの精度にどのように依存するか？
• RQ3 努力が内生的に選択される状況において、ランク付けのノイズが最適な実装を可能にする役割は何か？
• RQ4 効用パラメータが不明な状況において、メカニズム設計者は最適な報酬パラメータ pB と pC をどのように学習できるか？
• RQ5 非対称的均衡が最適でない結果をもたらすことはあり得るか？また、それらは回避可能か？

主な発見

• 貢献の質が専門性にのみ依存する場合、適切な pB と pC の選択により、対称的均衡を介して最適な結果を実装可能である。
• メカニズム設計者は、エージェントの正確な効用パラメータを知らない状況においても、反復的調整によって最適な報酬を学習可能である。
• 努力が内生的で、ランク付けが完全な場合、いかなるコンテストメカニズムでも最適な結果を実装できない。
• ノイズを含むランク付け（si = qi + ǫi）において ∂π/∂qi > 0 が成り立つ場合、努力の機会費用が高すぎない限り、最適な結果を実装可能である。
• 不完全なランク付けは、質の向上が勝利確率を高めるため、エージェントがより多くの努力を払うインセンティブを創出する。
• この結果は、プリンシパルエージェント理論の知見と類似している：不完全なモニタリングは、努力が結果のランク付けにより顕著に影響を与えるようにすることで、インセンティブを改善する。