Wisdom of the Confident: Using Social Interactions to Eliminate the Bias in Wisdom of the Crowds
与个体相比，人类群体可以通过简单地使用个体估计的平均值、中位数或几何平均值来进行非常准确的估计[Galton 1907，Surowiecki 2005，第2008页]。然而，这只对某些任务是正确的，一般来说，这些集体估计显示出强烈的偏见。当考虑到社会互动时，该方法也失败了，这使得集体估计变得更糟，因为个体倾向于收敛到有偏差的结果[Lorenz等人，2011]。在这里，我们展示了社会互动对集体智慧的明显负面影响的光明面。我们发现，有些人抵制社会的影响，当使用这个小组的中位数，我们可以消除偏见的智慧的整个人群。为了找到这个对私人估计比对社会影响更有信心的个体亚组，我们将个体建模为将私人和社会信息与不同的相对权重相结合的估计量[Perez-Escudero & de Polavieja 2011，Arganda et al. 2012]。然后，我们通过排除那些在估计中使用较高社会影响力权重值的群体，计算了越来越小的群体的几何平均值。在这个过程中得到的趋势给出了无偏的结果，与计算整个组的中位数的简单方法相反。我们的研究结果表明，虽然一个简单的操作，如平均值，中位数或几何平均值的一组可能不允许群体作出良好的估计，一个更复杂的操作，考虑到个性的社会动态可以导致更好的集体智慧。
2014-06-30 cs.SI physics.soc-ph
Large-Scale Experiment on the Importance of Social Learning and Unimodality in the Wisdom of the Crowd
在这项研究中，我们建立在以前的研究，以了解在何种条件下，人群的智慧（WOC）提高或降低，作为一个结果，显示个人的预测，他们的同龄人。我们的主要创新贡献是：1）一个前所未有的规模和细节的数据集; 2）我们观察到了向个人展示的社会信息的单峰性的重要性的新效应：如果在人群预测的分布中没有看到只有一个明确的峰值，那么在社会暴露后，WOC会恶化;以及3）我们估计社会学习权重，我们使用该权重来表明存在更善于从人群中学习的个体，并且可以过滤以提高集体准确性。
2017-12-29 cs.SI physics.soc-ph stat.AP
Wisdom of the Crowd or Wisdom of a Few? An Analysis of Users' Content Generation
在本文中，我们分析了如何创建用户生成的内容（UGC），挑战众所周知的{ \it群众的智慧}的概念。虽然众所周知，在大多数情况下，用户活动遵循幂律，也就是说，很少有人做很多事情，而大多数人什么也不做，但很少有研究能够很好地描述这种活动。在我们对两个不同的社交网络，Facebook和Twitter的数据集的分析中，我们发现，一小部分活跃用户和更少的所有用户代表了50%的UGC。我们还分析了生成此内容的动态行为，发现最活跃用户的集合在时间上相当稳定。此外，我们研究了社交图谱，发现这些活跃用户之间的联系非常紧密。这意味着大多数智慧来自少数用户，挑战了群体智慧所需的独立性假设。我们还处理任何人从未见过的内容，我们称之为数字沙漠，这挑战了集体决策中应该考虑每个人的内容的假设。我们还将我们的结果与维基百科的数据进行了比较，并使用亚马逊数据集解决了UGC内容的质量问题。最后，我们的结果并不令人惊讶，因为网络是我们自己社会的反映，在这个社会中，经济或政治权力也掌握在少数人手中。
2016-04-11 cs.CY cs.SI physics.soc-ph
Learning to Predict the Wisdom of Crowds
Massachusetts Institute of Technology（麻省理工学院）；Rutgers University（罗格斯大学）
“近似人群”的问题是通过只查询人群的一个子集来估计大多数人的意见。近似人群的算法可以智能地为众包任务扩展有限的预算。我们提出了一种算法，“CrowdSense”，它以在线方式工作，根据探索/利用标准动态采样标签子集。该算法产生一个加权组合的子集标签的投票，近似群众的意见。
2012-04-16 cs.LG cs.SI
(Failure of the) Wisdom of the crowds in an endogenous opinion dynamics model with multiply biased agents
我们研究了一个内生的意见（或信仰）动力学模型，我们内生化的社会网络模型的链接（“信任”）代理之间的权重。我们的网络调整机制是简单的：一个代理增加她的权重为另一个代理，如果该代理已接近真相（从那里，我们的调整标准是“过去的表现”）。此外，我们认为多偏代理，不学习完全理性的方式，但受到说服偏见-他们学习的DeGroot的方式，通过一个简单的“经验法则”-并有偏见的初始信念。此外，我们还研究了这种设置下的一致性，反对派和同质性-这是最近提出的变体DeGroot学习在社交网络-从而考虑到进一步的偏见代理容易受到影响。我们的主要重点是群体智慧，也就是说，在这个问题上，是否有偏见的代理人可以充分聚集分散的信息，从而了解他们沟通的主题的真实状态。特别是，我们提出了几个条件下，智慧失败。
2013-09-14 cs.MA cs.SI nlin.AO
Event Outcome Prediction using Sentiment Analysis and Crowd Wisdom in Microblog Feeds
Carnegie Mellon University（卡内基梅隆大学）
近年来，微博源的情感分析引起了人们的极大兴趣。目前的大部分工作集中在推文情感分类。但是，人们并没有做太多的工作来探索诸如twitter这样的社交网络微博中的大众观点（群体智慧）在预测选举辩论等特定事件的结果时的可靠性。在这项工作中，我们调查了群体智慧是否有助于预测此类结果，以及他们的观点是否受到该领域专家的影响。我们在多标签分类领域工作，对推文进行情感分类，并获得人群的意见。然后，这种学习到的情绪被用来预测事件的结果，例如：美国总统辩论获奖者，格莱美奖获奖者，超级碗获奖者。我们发现，在大多数情况下，群众的智慧确实与专家的智慧相匹配，而在他们不匹配的情况下（特别是在辩论的情况下），我们看到群众的意见实际上受到专家意见的影响。
2019-12-11 cs.CL cs.LG cs.SI
Social Bayesian Learning in the Wisdom of the Crowd
能够正确地将许多人的信念聚合成一个单一的信念是许多重要的社会，经济和政治过程，如政策制定，市场定价和投票的基本问题。虽然有许多模型和机制的聚合，有一个缺乏的方法和文献关于聚合的意见时，个人之间存在的影响和学习。这部分是因为没有太多的模型来描述人们在接触到其他人的信念时如何更新他们的信念，因此很难量化人们的心理模型之间的依赖关系，这对于最大限度地减少聚合中的冗余至关重要。在本文中，我们探索了许多用户如何相互影响和学习的模型，并将我们的模型与著名的DeGroot模型进行了基准测试。我们的主要贡献是：1）我们收集了一个前所未有的规模和细节的新数据集，并将其发布在网上; 2）我们开发了一个新的社会贝叶斯模型，用于研究人们如何更新他们的心理模型; 3）我们将我们的模型与其他知名的社会学习模型进行了比较。具体来说，我们表明，我们的新的社会贝叶斯模型优于其他模型测试。
2017-12-28 cs.SI physics.soc-ph
Wisdom of Crowds cluster ensemble
Iran University of Science and Technology（伊朗科技大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
群体智慧是社会科学中描述的一种现象，它提出了适用于人群的四个标准。有人声称，如果这些标准得到满足，那么由一个群体做出的总体决策往往会比其单个成员做出的决策更好。受此概念的启发，我们提出了一种新的反馈框架的集群集成问题，我们称之为智慧的人群集群包围（WOCCE）。虽然许多传统的集群集成方法集中在多样性最近被提出，WOCCE分析了必要的条件，为一群人展示这种集体智慧。这些标准包括用于生成主要结果的分散化标准、用于基本算法的独立性标准和用于集成成员的多样性标准。我们建议适当的程序来评估这些措施，并提出了一个新的措施来评估的多样性。我们评估的性能WOCCE对其他一些传统的基础算法，以及国家的最先进的集成方法。实验结果表明，与其他算法相比，WOCCE的聚合决策的效率。
2016-05-13 cs.AI cs.SI stat.ML
How social influence affects the wisdom of crowds in influence networks
社会影响力是提高群体的集体智慧还是削弱群体的集体智慧是一个长期存在的争论，本文基于影响力系统理论中的一个朴素学习设置来解决这个问题：在我们的模型中，个体根据加权平均意见动态来进化他们对未知事实的估计。通过严格的理论分析，给出了一种形式化的证明。我们得到各种条件，提高，优化和破坏人群的准确性，分别。我们证明了，如果有限规模群体的智慧得到提高，那么集体估计随着群体规模的增加而收敛于真值，前提是个体的方差是有限的。我们发现，社会影响力是提高还是削弱智慧取决于影响力系统的社会权力分配：如果影响力系统将相对较大的社会权力分配给相对较准确的个体，则会提高智慧;相反，如果影响力系统将较少的社会权力分配给较准确的个体，则会削弱智慧。在人口水平上，个人对人际影响和网络中心的敏感性都至关重要。为了提高智慧，更准确的个人应该更不易受影响，并具有更大的网络中心。特别是，在民主影响网络中，如果相对更准确的个体相对不那么容易受到影响，那么智慧就会提高;如果更准确的个体更容易受到影响，那么智慧就会被破坏，这与报告的经验证据是一致的。我们的研究为理解社会影响力在集体智慧的形成中所起的作用提供了一个理论框架。
2023-03-04 cs.MA cs.SI cs.SY
Birdwatch: Crowd Wisdom and Bridging Algorithms can Inform Understanding and Reduce the Spread of Misinformation
我们提出了一种方法来选择客观信息和主观上有帮助的注释社交媒体帖子。我们从一个在线环境中获取数据，在这个环境中，贡献者对错误信息进行注释，同时对其他人的贡献进行评级。我们的算法使用矩阵分解（MF）为基础的方法来识别注释，呼吁广泛跨越异构用户组-有时被称为“基于桥接的排名。“我们将这些数据与一项调查实验进行了配对，在这项实验中，个人被随机分配查看帖子的注释。我们发现，与总体平均水平和人群生成的基线相比，该算法选择的注释改善了关键指标。此外，当部署在Twitter上时，看到通过这种基于桥接的方法选择的注释的人比那些没有看到注释的人更不可能重新发布社交媒体帖子。
2022-10-27 cs.SI
Sentiment Protocol: A Decentralized Protocol Leveraging Crowd Sourced Wisdom
群众的智慧是当今社会的宝贵财富。它不仅在预测选举中很重要，而且在市场营销和金融业中也起着至关重要的作用。拥有一个值得信赖的意见来源可以使预测更加准确，市场也更可预测。到目前为止，调查的一个根本问题是缺乏激励参与者提供准确信息的措施。传统的解决方案，如小额金钱奖励或赢得奖品的机会，往往不是很有吸引力的参与者。更有吸引力的解决方案，如预测市场，面临着非法性的问题，往往无法获得。在这项工作中，我们提出了一个解决方案，通过一个可定制的激励框架，从经典的轮询和预测市场的优势。除了预测事件，这个框架还可以用来管理分散的自治组织。
2018-05-05 cs.CY cs.HC cs.SI
Crowds on Wall Street: Extracting Value from Social Investing Platforms
几十年来，金融顾问的世界一直由高盛（Goldman Sachs）等大型投资银行主导。近年来，用户贡献的投资服务，如SeekingAlpha和StockTwits，已经发展到数百万用户。在本文中，我们试图通过实证分析SeekingAlpha文章（9年）和StockTwits消息（4年）的完整数据集来了解内容对社交投资平台的质量和影响。我们开发了情感分析工具，并将贡献的内容与相关股票的历史表现相关联。虽然SeekingAlpha文章和StockTwits消息提供了最小的相关性，以股票表现的聚合，一个子集的作者贡献更有价值的（预测）的内容。我们表明，这些作者可以通过实证方法或用户交互来识别，并且使用他们的分析的投资显著优于更广泛的市场。最后，我们进行了一项用户调查，揭示了用户对SeekingAlpha内容和股票操纵的看法。
2014-06-04 cs.SI physics.soc-ph
Preserving Individuality while Following the Crowd: Understanding the Role of User Taste and Crowd Wisdom in Online Product Rating Prediction
本文提出持续更新的动态树表示以融合用户与商品历史评分，解决冷启动、跨类别利用及部署扩展问题，并发现个体品味在评分预测中稳定主导群体智慧。
2024-09-06 cs.IR cs.SI
Wisdom of the Crowd: Incorporating Social Influence in Recommendation Models
推荐系统最近受到了相当大的关注。然而，大多数研究都集中在提高协同过滤（CF）技术的性能。社交网络不可或缺地为我们提供了关于人们偏好的额外信息，应该加以考虑和部署，以提高推荐的质量。本文基于社会传染和社会影响网络理论，提出了两种推荐模型，分别针对个人和群体。在个体推荐模型中，引入社会传染结果对协同过滤预测结果进行改进，模拟了决策过程中信息级联的结果。在群体推荐模型中，我们运用社会影响网络理论，将群体成员之间的人际影响纳入到推荐模型中，形成一个固定的意见分歧模式，然后对群体成员的意见进行聚合。通过引入感受性和人际影响的概念，使评分结果具有一定的灵活性，并倾向于评分为“必要”的成员。
2013-05-17 cs.IR cs.LG cs.SI
The Wisdom of the Few? "Supertaggers" in Collaborative Tagging Systems
从表面上看，大众分类法是一种由“大众智慧”建立起来的信息结构，但“大众”真的在做这项工作吗？标记实际上是一个严重倾斜的过程，其中一小部分“超级标记者”用户生成绝大多数注释。使用来自三个大型社交标记平台的数据，我们探索（a）如何最好地量化标记行为的不平衡并正式定义超级标记者，（b）超级标记者在标记模式上与其他用户有何不同，以及（c）动机和专业知识的影响是否能告知我们对超级标记者的理解。我们的研究结果表明，这些多产的用户不仅标记比他们的同行，但在量化不同的方式。具体来说，我们发现，supertaggers更有可能标签内容的长尾不太受欢迎的项目，他们显示的内容标记和使用的术语的模式的差异，并可测量不同的标记专业知识和动机。这些研究结果表明，我们应该质疑大众分类通过“群众的智慧”实现众包分类的程度，特别是对于像Last.fm这样的广泛的大众分类，而不是像Flickr这样的狭隘的大众分类。
2015-03-17 cs.IR cs.SI
The wisdom_of_crowds: an efficient, philosophically-validated, social epistemological network profiling toolkit
一个代理人的认知位置往往取决于他们在一个更大的网络中的位置，这个网络由向他们提供信息的其他代理人组成。一般来说，如果代理商拥有多样化和独立的来源，他们的情况会更好。Sullivan et al. [2020]开发了一种方法，用于定量表征网络中个体的认知位置，该方法同时考虑了多样性和独立性;并在来自Twitter数据的小图上提出了一种概念验证，闭源实现[Sullivan et al. 2020]。本文报告了他们的算法在Python中的开源重新实现，优化后可用于更大的网络。除了算法和软件包，我们还展示了将我们的软件包扩展到大型合成社交网络图形分析的能力，并最终展示了其在分析在线社交媒体上“回声室”的真实经验证据以及学术通信网络中跨学科多样性的证据中的实用性。
2023-02-01 cs.SI
The Wisdom of Polarized Crowds
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Harvard University（哈佛大学）；University of Chicago（芝加哥大学）
随着美国政治两极分化的不断加剧，两极分化的个人是否能够有效合作的问题变得紧迫。虽然个人观点的多样性通常会导致团队在复杂任务中表现出色，但强烈的政治观点与冲突、错误信息以及不愿与人接触和超越自己的观点有关。目前还不清楚，由政治上不同的个人组成的自我选择的团队是否会创造更高或更低质量的结果。在本文中，我们通过对维基百科的政治，社会问题和科学文章的数百万次编辑的分析，探讨了团队政治组成对绩效的影响。我们通过编辑对保守派和自由派文章的贡献来衡量编辑的政治联盟。一项对编辑的调查证实，那些主要编辑自由派文章的人更强烈地认同民主党，而那些编辑保守派文章的人则认同共和党。然后，我们的分析表明，两极分化的团队-那些由一组政治上多样化的编辑组成的平衡的团队-比政治上同质的团队创造出更高质量的文章。这种效应在维基百科的政治文章中表现得最为明显，但在社会问题甚至科学文章中也可以观察到。文章“讨论页”的分析表明，政治两极化的团队从事更长的时间，更有建设性，竞争力，实质性的重点，但语言多样性的辩论比政治温和派。政治多元化的团队更频繁地使用维基百科的政策表明，制度设计原则有助于释放政治两极化团队的力量。
2017-11-29 cs.CL cs.CY cs.DL
Wiser than the Wisest of Crowds: The Asch Effect Revisited under Friedkin-Johnsen Opinion Dynamics
本文研究在Friedkin-Johnsen观点动力学下通过雇佣少量托儿影响群体意见，证明选择托儿以最大化或最小化MSE是NP-hard的，并提出贪心启发式算法，在真实数据上验证了少量托儿即可显著影响群体智慧。
2024-06-12 cs.SI
