[论文解读] 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 21

一句话总结

该论文提出，人类集体智能通过分布式贝叶斯推断产生，个体利用流行度作为有限理性的先验来指导决策，从而实现理性的群体信念形成。在包含50,000名社交交易员的数据集中，该机制近似于汤普森采样，表明集体理性源于个体启发式方法。

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.

研究动机与目标

• 开发一个正式框架，解释集体理性如何从有限理性的个体决策中产生。
• 将人类社会决策建模为分布式贝叶斯推断过程，其中个体将社会流行度作为先验。
• 使用来自在线社交交易平台的真实金融决策大规模数据集验证该模型。
• 检验观察到的社会影响模式是否与所提出的社交采样机制一致，而非其他替代模型。
• 评估流行度与绩效之间的相互作用是否支持群体中近似贝叶斯推断的假设。

提出的方法

• 提出一种社交采样机制，个体首先基于流行度（视为先验）选择选项，然后根据客观证据做出承诺。
• 将个体决策建模为近似贝叶斯更新，其中流行度编码历史证据。
• 将该机制形式化为群体层面的一种近似汤普森采样，其中流行度近似于后验分布。
• 使用eToro平台上超过50,000名用户的数据库进行实证检验，追踪模仿者数量和30天投资回报率（ROI）随时间的变化。
• 使用包含先前流行度与绩效交互项的回归分析，检验乘法效应。
• 通过分析低流行度用户并考察界面设计限制，控制位置偏差等混杂因素。

实验结果

研究问题

• RQ1 当个体依赖社会线索和客观证据时，在社会决策情境中如何形成信念？
• RQ2 有限理性的个体决策机制是否能导致理性的群体推断？
• RQ3 社交平台中流行度与绩效的相互作用是否反映了潜在的贝叶斯推断过程？
• RQ4 观察到的社会影响模式是否比其他替代模型更符合所提出的社交采样模型？
• RQ5 观察数据在多大程度上能支持关于集体信念形成机制的因果主张？

主要发现

• 个体将流行度视为先验分布，利用其指导应考虑哪些选项，与贝叶斯解释一致。
• 先前流行度与绩效的交互作用在回归模型中显著预测未来流行度变化，p值 < 0.05。
• 该效应在低流行度用户（例如0或1个模仿者）中最强，表明该机制即使在可见度较低时也起作用。
• 观察到的流行度与绩效之间的乘法交互作用不太可能由界面限制导致的位置偏差解释，且缺乏同时排序机制。
• eToro用户自报数据支持该模型，建议强调流行度作为起点，绩效作为次要验证。
• 集体行为近似于汤普森采样，一种著名的用于顺序决策的贝叶斯算法，表明理性群体推理由个体启发式方法产生。