[논문 리뷰] Human collective intelligence as distributed Bayesian inference

P. M. Krafft, Julia Zheng외 6명|arXiv (Cornell University)|2016. 08. 05.

Opinion Dynamics and Social Influence참고 문헌 25인용 수 21

한 줄 요약

이 논문은 인간 집단 지능이 분산 베이지안 추론을 통해 발생한다고 제안하며, 개인들이 결정을 안내하기 위해 유한한 이성성의 사전 확률로 인기를 사용함으로써 합리적인 집단 수준의 믿음 형성이 이루어진다고 설명한다. 50,000명의 사회적 트레이더로 구성된 데이터셋에서 이 메커니즘은 톰슨 샘플링에 근사함을 보이며, 집단적 합리성이 개인의 히وري스틱에서 유래됨을 시사한다.

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.

연구 동기 및 목표

• 집단적 합리성이 유한한 이성성의 개인적 결정에서 어떻게 유도되는지 설명하는 공식적 프레임워크를 개발하는 것.
• 개인이 사회적 인기를 사전 확률로 사용하는 방식으로 인간의 사회적 의사결정을 분산 베이지안 추론 과정으로 모델링하는 것.
• 실제 금융 결정을 포함한 온라인 사회적 거래 플랫폼에서의 대규모 데이터셋을 사용하여 모델을 검증하는 것.
• 관찰된 사회적 영향 패턴이 대안 모델에 비해 제안된 사회적 샘플링 메커니즘과 일치하는지 테스트하는 것.
• 인기와 성과 간의 상호작용이 집단 내 약간의 베이지안 추론을 지지하는지 평가하는 것.

제안 방법

• 개인이 먼저 인기를 기반으로 선택(사전 확률로 간주)하고, 이후 객관적 증거에 따라 결정을 내리는 사회적 샘플링 메커니즘을 제안한다.
• 개인의 의사결정을 근사 베이지안 업데이트로 모델링하며, 인기는 역사를 반영하는 증거를 담고 있다고 간주한다.
• 이 메커니즘을 집단 수준에서 근사 톰슨 샘플링의 한 형태로 정식화하며, 인기가 사후 분포를 근사함을 설명한다.
• eToro에서 수집한 50,000명 이상의 사용자 데이터셋을 활용해 실증적으로 모델을 검증하며, 시간에 따라 모방자 수와 성과(30일 수익률)를 추적한다.
• 이전 인기와 성과 간의 상호작용 항목을 포함한 회귀 분석을 수행하여 곱셈 효과가 존재하는지 테스트한다.
• 위치 편향 등의 혼란 요인을 제어하기 위해 저인기 사용자 분석과 인터페이스 설계 제약 조건을 고려한다.

실험 결과

연구 질문

• RQ1 개인이 사회적 신호와 객관적 증거를 모두 고려할 때 사회적 의사결정 맥락에서 믿음을 어떻게 형성하는가?
• RQ2 유한한 이성성의 개인적 의사결정 메커니즘이 합리적인 집단 수준의 추론을 이끌 수 있는가?
• RQ3 사회 플랫폼에서 인기와 성과 간의 상호작용이 잠재적인 베이지안 추론 과정을 반영하는가?
• RQ4 관찰된 사회적 영향 패턴이 대안 모델보다 제안된 사회적 샘플링 모델에 더 잘 설명되는가?
• RQ5 관찰 데이터가 집단 믿음 형성 메커니즘에 대해 인과적 주장에 얼마나 잘 뒷받침하는가?

주요 결과

• 개인들은 인기를 사전 분포로 간주하며, 이를 고려할 옵션을 선택하는 데 사용함을 확인했으며, 이는 베이지안 해석과 일치한다.
• 이전 인기와 성과 간의 상호작용은 향후 인기 변화를 유의미하게 예측하며, 회귀 모델에서 p-값 < 0.05를 기록한다.
• 효과는 저인기 사용자(예: 0 또는 1명의 모방자)에서 가장 강력하게 나타나, 이 메커니즘이 낮은 시야 수준에서도 작동함을 시사한다.
• 인터페이스 제약 조건과 同시 정렬 기능 부재로 인해 위치 편향으로 설명될 가능성은 낮으며, 관찰된 곱셈 상호작용은 이론적 기반을 지닌다.
• eToro 사용자들의 자가 보고 자료는 모델을 지지하며, 조언에서 인기를 시작점으로 삼고 성과를 보조적 확인 수단으로 사용함을 확인한다.
• 집단적 행동은 톰슨 샘플링과 유사하며, 이는 순차적 결정 문제에서 잘 알려진 베이지안 알고리즘이며, 개인의 히وري스틱에서 합리적인 집단 수준의 추론이 유도됨을 시사한다.