AI Alignment From Social Choice Perspectives
Google Research（谷歌研究院）；University of Southern California（南加州大学）；Harvard University（哈佛大学）
本文从社会选择理论视角审视人类反馈对齐中的偏好聚合问题，识别失败模式并揭示处理分歧的广阔设计空间。
2026-10-16 cs.AI
Towards a new Social Choice Theory
Independent Researcher, Barcelona, Spain
本文提出社会选择优化以推广两阶段赞成投票，并以Minimax规则最小化对社会目标的阻碍，同时倡导社会包容的开放标准化。
2023-07-24 cs.AI
Computational Social Choice and Computational Complexity: BFFs?
University of Rochester（罗切斯特大学）
我们讨论了计算社会选择（comparison）和计算复杂性之间的联系。我们强调迄今为止在这一联系的两个较少得到承认的方面所做的工作，并敦促继续注重这两个方面。首先，这在很大程度上是一条双行道：每个人都知道复杂性分类用于commonly，但我们也强调了复杂性在commonly中的使用所带来的好处。其次，更微妙的、不太为人所知的复杂性工具通常可以非常有效地用于复杂性分析。
2017-11-21 cs.AI cs.CC cs.GT
Characterization of Group-Fair Social Choice Rules under Single-Peaked Preferences
Indian Institute of Science（印度科学学院）；IIT, Kanpur（坎普尔印度理工学院）；ISI, Kolkata（加尔各答印度统计研究所）
我们研究了单峰偏好下社会选择环境中的公平性。社会选择规则的单峰域的建设和表征已被广泛研究在以前的作品。事实上，在单峰域中，已知一致和防策略的确定性规则必须是最小-最大规则，并且那些也满足匿名性的规则必须是中值规则。此外，满足这些属性的随机社会选择规则已被证明是各自的确定性规则的凸组合。我们通过在社会选择中纳入公平考虑，对这一结果进行了非平凡的补充。我们的研究直接解决了代理人群体的公平性问题。为了研究组公平性，我们考虑现有的分区的代理逻辑组，基于自然属性，如性别，种族和位置。为了在每个组中捕获公平性，我们引入了组匿名的概念。为了捕捉群体之间的公平性，我们提出了一个弱的概念，以及一个强的公平性概念。建议的公平性概念原来是现有的个人公平性概念的自然概括，而且提供严格的顺序偏好，不像现有的组公平性概念的非平凡的结果。我们提供了满足群体公平性的随机社会选择规则的两个单独的特征：（i）直接特征（ii）极值点特征（作为公平确定性社会选择规则的凸组合）。我们还探讨了特殊的情况下，没有群体，并提供更清晰的特征的规则，实现个人的公平。
2022-07-16 cs.AI cs.GT cs.MA
Open Problems in Differentiable Social Choice: Learning Mechanisms, Decisions, and Alignment
本文探讨了可微社会选择中的18个开放问题，研究如何将投票规则、机制和聚合过程作为可学习模型进行优化，揭示了经典公理在机器学习中的新应用。
2026-02-20 cs.AI cs.LG
Representative Social Choice: From Learning Theory to AI Alignment
Peking University（北京大学）；UC Berkeley（加州大学伯克利分校）；Center for Human-Compatible AI（人类兼容人工智能中心）
提出代表性社会选择框架，将大规模集体决策的偏好聚合转化为统计学习问题，证明机制泛化性质与不可能性定理，连接社会选择、学习理论与AI对齐。
2025-10-30 cs.AI cs.CL cs.CY
Exploring Social Choice Mechanisms for Recommendation Fairness in SCRUF
University of Colorado, Boulder（科罗拉多大学博尔德分校）；Comenius University Bratislava（布拉迪斯拉发考门斯基大学）；Tulane University（杜兰大学）
本文提出在SCRUF多智能体架构中利用社会选择机制处理推荐系统多方面公平性问题，并通过真实与合成数据实验揭示了不同选择与分配机制下公平性与准确性权衡的差异及一致性。
2023-10-05 cs.AI cs.IR
Justifying Social-Choice Mechanism Outcome for Improving Participant Satisfaction
Bar-Ilan University（巴伊兰大学）
在许多社会选择机制中，所产生的选择对于一些参与者来说不是最优选的，因此需要以提高所述参与者的接受度和满意度的方式来证明所做出的选择的方法。提供这种解释的一种自然方法是要求人们提供它们，例如，通过众包，并选择最有说服力的论点中收到的。在本文中，我们提出了一种替代的方法，一个自动生成的理论机制设计文献中发现理想的机制功能的基础上的解释。我们通过一系列广泛的实验进行了600多名参与者的排名投票，一个经典的社会选择机制的有效性测试的方法。对结果的分析表明，在这种情况下，解释确实会影响对结果的平均满意度和接受度。特别是，当结果（在我们的情况下获胜的候选人）是参与者最不希望的选择时，解释对满意度和接受度有积极的影响。一项比较分析表明，自动生成的解释与成本更高的众包解释相比，其结果的满意度和接受程度相似，因此无需让人类参与其中。此外，与众包的解释相比，自动生成的解释大大降低了参与者认为应该选出不同的获胜者的信念。
2022-05-24 cs.AI cs.GT cs.MA
The Smoothed Possibility of Social Choice
RPI（伦斯勒理工学院）
我们开发了一个框架，利用Spielman和Teng的平滑复杂性分析来规避社会选择中的悖论和不可能性定理，其动机是由AI和ML驱动的社会选择的现代应用。对于孔德罗塞悖论，我们证明了平滑的可能性的悖论要么消失在一个指数的代理数量的增加，或不消失。对于同时满足匿名性、中立性和可解性的投票规则不存在的ANR不可能性，我们刻画了不可能性消失的速率，即多项式快速或指数快速。我们还提出了一种新的易于计算的平局打破机制，最佳地保持匿名性和中立性，甚至在自然环境中的替代品。我们的研究结果说明了社会选择的平滑可能性-即使悖论和不可能定理在最坏的情况下成立，它们在实践中可能不是一个大问题。
2021-01-08 cs.AI cs.GT
Optimal Statistical Hypothesis Testing for Social Choice
Rensselaer Polytechnic Institute（伦斯勒理工学院）
我们在本文中解决以下问题：“什么是最强大的统计方法的社会选择？"通过利用Neyman-Pearson框架中的一致最不利分布理论，对有限模型和随机化检验，我们刻画了一致最大功效（UMP）检验，这是一种被广泛接受的统计最优性。鲁棒性，用于测试给定的替代品是否是马洛斯的模型和孔多塞的模型下的赢家，分别。
2020-06-19 cs.AI cs.GT math.ST
Randomized Social Choice Functions Under Metric Preferences
Rensselaer Polytechnic Institute（伦斯勒理工学院）
我们确定的质量随机社会选择机制的设置中，代理人有度量偏好：每个代理人都有一个成本为每个替代品，这些成本形成一个度量。我们假设这些成本对机制（甚至可能对代理人本身）是未知的，这意味着我们不能简单地选择最优方案，即最小化总代理成本（或中间代理成本）的方案。然而，我们假设代理人知道他们的序数偏好是由度量空间引起的。我们研究随机社会选择功能，只需要这个序数信息，并选择一个替代方案，是良好的预期相对于从度量的成本。为了量化一个随机化的社会选择函数有多好，我们限制了失真，这是所选方案的预期成本与最优方案成本之间的最坏情况比率。我们提供了各种随机机制，一般指标和重要的特殊情况下，新的失真范围。我们的研究结果表明，在确定性机制的失真相当大的改善。
2016-09-26 cs.AI cs.GT
Linear Social Choice with Few Queries: A Moment-Based Approach
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Google Research（谷歌研究）
本文研究了在极低通信预算下，通过少量 pairwise 比较选择最大化社会福利的候选人，同时探讨了矩信息在社会选择中的应用。
2026-03-19 cs.AI cs.GT
Computational Social Choice Meets Databases
Technion（以色列理工学院）；UC Santa Cruz（加州大学圣克鲁兹分校）；IBM Research-Almaden（IBM阿尔马登研究中心）；Drexel University（德雷塞尔大学）
我们开发了一个新的框架，旨在建立计算社会选择和数据库管理社区之间的桥梁。该框架丰富了目前支持的任务与关系数据库上下文的计算社会选择，从而有可能制定复杂的查询投票规则，候选人，选民，问题和立场。在概念层面上，我们给出了严格的语义查询在这个框架中，通过引入必要的答案和可能的答案查询的概念。在技术层面上，我们开始调查的计算复杂性的必要答案。我们建立了一些结果的复杂性的必要答案的合取查询涉及位置评分规则，形成鲜明对比，与早期的结果的复杂性的必要赢家。
2018-05-10 cs.AI cs.DB
Algorithmic Impact Reveals the Hidden Social Choice Structure of Alignment
MIT（麻省理工学院）；Harvard University（哈佛大学）
该研究将AI对齐问题转化为凸影响空间上的线性优化，结合福利经济学与机制设计，推导了防策略的社会选择机制及最大化功利主义社会福利的对齐协议，并通过多领域人类偏好实证验证其福利影响。
2026-08-26 cs.AI
Random Dictators with a Random Referee: Constant Sample Complexity Mechanisms for Social Choice
Duke University（杜克大学）；Stanford University（斯坦福大学）
我们研究了社会选择机制在一个隐含的功利主义框架与度量约束，其目标是最小化\textit{Distortion}，最坏情况下的社会成本相对于基本的基数效用的顺序机制。我们考虑两个额外的必要条件：恒定的样本复杂性和平方失真。恒定的样本复杂度意味着该机制（可能是随机的）只使用恒定数量的序数查询，而不管投票者和备选方案的数量。平方失真是随机化机制的失真方差的度量。我们的主要贡献是第一个具有恒定样本复杂度\textit{and}恒定平方失真（这也意味着恒定失真）的社会选择机制。我们称这种机制为随机参考，因为它使用一个随机代理来比较另外两个随机代理最喜欢的两个选项。我们证明了使用的比较查询是必要的：没有机制，只有elalent的前k个首选的替代品的选民（常数k）可以有平方失真，是次线性的替代品的数量。我们还证明，与任何top-k唯一的机制，随机Reynolds的失真有意义地改善良性度量空间，使用欧几里德平面作为一个典型的例子。最后，在top-1机制中，我们引入了随机寡头。该机制仅要求3个查询，并且在失真方面在此类机制中基本上是最佳的。总之，我们展示了令人惊讶的力量，恒定的样本复杂性机制一般，特别是只有三个随机选民，提供一些最知名的结果，在隐式功利主义的框架。
2020-07-01 cs.AI cs.GT cs.MA
Evaluating Agents using Social Choice Theory
Google DeepMind（谷歌DeepMind）；University of Waterloo（多伦多大学）；University of Michigan（密歇根大学）
提出投票即评估（VasE）框架，利用社会选择理论将任务视为投票者，通过序数排名或两两比较聚合总体评估，比Elo和Nash平均更鲁棒，能发现隐藏数据属性并更好预测复杂游戏结果。
2025-06-28 cs.AI cs.GT cs.MA
Unifying Ensemble Methods for Q-learning via Social Choice Theory
National University of Singapore（新加坡国立大学）；Max Planck Institute for Software Systems (MPI-SWS)（马克斯·普朗克软件系统研究所）
为了提高稳定性、加快收敛速度和改善探索性，包围方法在强化学习（RL）中得到了广泛的应用。这些方法通常通过在不同RL算法的动作上采用聚合机制来工作。我们表明，各种这些方法可以通过借鉴社会选择理论中的委员会投票规则来统一。我们将集成方法中的动作聚合机制设计问题映射到投票问题，该问题在不同的投票规则下产生流行的基于集成的RL算法，如多数投票Q学习或Bootstrapped Q学习。我们的统一框架，反过来，使我们能够设计新的合奏RL算法具有更好的性能。例如，我们将两个以多样性为中心的委员会投票规则，即单一不可转移投票规则和Chamberlin-Courant规则映射到新的RL算法中，这些算法在我们的实验中表现出出色的探索性行为。
2019-10-08 cs.AI
Generative Social Choice
Harvard University（哈佛大学）；Cornell University（康奈尔大学）
提出生成式社会选择框架，结合社会选择理论与大语言模型处理开放式民主决策，在堕胎政策调查中成功将自由意见总结为代表陈述，84%的参与者感到被代表。
2025-03-05 cs.AI cs.GT cs.LG
Generative Social Choice: The Next Generation
Hasso Plattner Institute（哈索普拉特纳研究所）；Harvard University（哈佛大学）
本文扩展了生成式社会选择框架，在近似最优查询和总长度预算限制下提供理论保证，并利用 GPT-4o 在城市改善和药物评论数据集上验证了其从非结构化意见中生成代表性声明的有效性。
2025-05-28 cs.AI cs.GT cs.LG
Automated Search for Impossibility Theorems in Social Choice Theory: Ranking Sets of Objects
University of Amsterdam（阿姆斯特丹大学）
我们提出了一种方法，使用标准的技术，从可满足性检查，自动验证和发现定理的经济理论领域被称为排名集的对象。在这一领域的关键问题，这在社会选择理论和决策的不确定性下有重要的应用，是如何扩展的代理人的偏好在一些对象的偏好关系，这些对象的非空集。这种偏好扩展的某些看似自然的原则组合可能导致逻辑上的不一致，这导致了一些重要的不可能性定理。我们首先证明了一个一般性的结果表明，对于广泛的这样的原则，其特点是他们的句法形式时，表示在一个多排序的一阶逻辑，任何不可能表现在一个固定的（小）域的大小将必然扩展到一般情况下。然后，我们将展示如何制定候选人的不可能性定理在一个固定的域大小的命题逻辑，这反过来又使我们能够自动搜索（一般）不可能性定理使用SAT求解器。当应用到一个空间的20个原则，从文献中熟悉的偏好扩展，这种方法产生了总共84个不可能定理，包括已知的和非平凡的新结果。
2014-01-16 cs.AI cs.LO cs.MA
Dynamic fairness-aware recommendation through multi-agent social choice
Comenius University Bratislava（布拉迪斯拉发考门斯基大学）；Tulane University（杜兰大学）
本文针对个性化推荐中的多利益相关方公平性问题，提出将推荐公平性建模为两阶段社会选择问题，结合分配与聚合机制，并设计出能够动态整合多种公平性关切的新推荐技术。
2024-02-27 cs.AI
Optimized Distortion in Linear Social Choice
本文首次研究线性效用函数下的社会选择失真问题，提出仅依赖候选嵌入维度的失真界限及多项式时间实例最优算法，并在推荐系统和意见调查中验证其优于标准规则。
2025-10-22 cs.AI cs.GT
Efficient Social Choice via NLP and Sampling
Ben-Gurion University（本-古里安大学）
本文提出结合NLP与抽样技术的社会选择方法，先用NLP模型估计提案通过概率，再基于估计选取样本投票，以降低治理决策对成员注意力的需求，并通过多个DAO数据验证其有效性。
2023-09-04 cs.AI cs.CL cs.CY
Degrees of individual and groupwise backward and forward responsibility in extensive-form games with ambiguity, and their application to social choice problems
Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所）；Free University Berlin（柏林自由大学）
许多现实世界中与伦理相关的情况，特别是那些大规模的社会选择，如减缓气候变化，不仅涉及许多代理人的决定以复杂的方式相互作用，而且还涉及各种形式的不确定性，包括可量化的风险和不可量化的模糊性。在这些问题中，评估个人和群体对道德上不受欢迎的结果的道德责任或他们避免这种结果的责任是具有挑战性的，并且容易产生责任确定不足或过度的风险。在现有的方法的基础上严格的因果关系或某些道义逻辑，专注于一个二元分类的“负责任”与“不负责”，我们在这里提出了几个不同的定量责任度量，评估责任程度的概率单位。为此，我们使用一个框架的基础上的一个适应版本的广泛形式的博弈树和公理的方法，指定了一些潜在的理想属性，这样的指标，然后测试开发的候选指标，他们的应用到一些典型的社会选择的情况。我们发现，虽然人们可能希望此类责任指标的大多数属性都可以通过某种变体来实现，但尚未找到明显优于其他指标的最佳指标。
2020-07-09 cs.AI econ.TH
Social Choice Methods for Database Aggregation
Imperial College London（伦敦帝国理工学院）；Université d’Evry（埃夫里大学）；University of Toulouse（图卢兹大学）
知识可以用多种方式表示，从一组命题公式到Kripke模型，再到数据库。在本文中，我们研究了来自多个来源的信息的聚合，每个来源提交一个数据库建模为一阶关系结构。在完整性约束的存在下，我们确定类的聚合器，尊重他们在聚合数据库中，提供这些满足所有个人数据库。我们还将一阶查询的答案与每个单独的数据库上获得的查询答案的聚合相一致的一阶查询的语言。这一贡献的目的是从社会选择理论的技术在数据库中的知识表示的应用的第一步。
2019-07-22 cs.AI cs.DB cs.GT
AI of the People, by the People, for the People: A Social Choice Approach to Collective Control of Artificial Intelligence
Institute of Logic and Computation, TU Wien（逻辑与计算研究所，维也纳技术大学）；Hasso Plattner Institute, University of Potsdam（哈索·platzer研究所，波茨坦大学）；Center for Artificial Intelligence, University of Applied Sciences St. Pölten（人工智能中心，圣波尔滕应用科学大学）
本文提出基于社会选择理论的集体控制AI方法，强调在机器学习全流程中融入公众意见，提供数学框架评估控制机制。
2026-04-14 cs.AI cs.CY cs.GT
Beyond Pairwise Comparisons in Social Choice: A Setwise Kemeny Aggregation Problem
Université Paris-Dauphine（巴黎第九大学）；Université PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）；LAAS-CNRS（法国国家科学研究中心自动化系统实验室）；IRIT-CNRS（法国国家科学研究中心信息技术与应用研究所）；Université de Toulouse（图卢兹大学）；Sorbonne Université（索邦大学）
在本文中，我们主张使用setwise比赛聚合成一个输出排名的一组输入排名。我们提出了一个推广的Kemeny规则，其中一个最大限度地减少了数量的k-wise分歧，而不是成对的分歧（一个计数1分歧，每次在一个子集中的最高选择的基数最多k之间的输入排名和输出排名不同）。经过算法的研究，这个k-wise Kemeny聚集问题，我们介绍了一个k-wise对应的多数图。该图显示了将聚合问题划分为几个子问题的有用性，这使得能够加速共识排名的精确计算。通过引入Spearman距离的k-wise对应物，我们还为k-wise Kemeny聚集问题提供了一个2-近似算法.最后，我们进行了数值测试。
2022-02-09 cs.AI
Awareness of Voter Passion Greatly Improves the Distortion of Metric Social Choice
Rensselaer Polytechnic Institute（伦斯勒理工学院）
我们开发了新的投票机制的情况下，当选民和候选人位于一个任意的未知度量空间，目标是选择一个候选人最小化的社会成本：从选民到这个候选人的总距离。以前的工作通常假设只有选民的顺序偏好是已知的（而不是他们的真实成本），并专注于最小化失真：所选择的候选人的质量与最好的候选人相比。在本文中，我们假设（非常小）的信息量是已知的选民偏好的强度，而不仅仅是他们的顺序偏好。我们提供的机制，更好的失真时，这个额外的信息是已知的相比，只使用序数信息的机制。我们量化的信息量之间的权衡已知的偏好强度和可实现的失真。我们还提供了关于哪种类型的偏好优势信息似乎是最有用的建议。最后，我们通过量化理想候选失真来得出结论，理想候选失真将所选结果的质量与可能存在的最佳候选进行比较，而不仅仅是实际运行中的最佳候选。
2019-06-25 cs.AI
Social Choice Should Guide AI Alignment in Dealing with Diverse Human Feedback
Carnegie Mellon University（卡内基梅隆大学）；University of Oxford（牛津大学）；University of California, Berkeley（加州大学伯克利分校）；Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所）；Ghent University（根特大学）；Allen Institute for AI（艾伦人工智能研究所）；University of Maryland（马里兰大学）；EleutherAI；Union College（联合学院）；Istanbul Bilgi University（伊斯坦布尔比尔吉大学）
本文论证社会选择理论能有效解决AI对齐中多样化人类反馈的聚合问题，并基于相关研讨会探讨了推进该研究议程的途径。
2024-06-04 cs.AI cs.CL cs.CY
Theoretical Tensions in RLHF: Reconciling Empirical Success with Inconsistencies in Social Choice Theory
University of Pennsylvania（宾夕法尼亚大学）；Peking University（北京大学）
该研究解决了RLHF经验成功与违反社会选择理论公理的悖论，证明在合理假设下RLHF满足相关一致性，还提出可改进对齐的奖励建模修改方案及新的对齐准则。
2025-06-14 cs.AI cs.LG stat.ML
Generating Fair Consensus Statements with Social Choice on Token-Level MDPs
Harvard University（哈佛大学）；University of Waterloo（滑铁卢大学）
本文提出将共识声明生成建模为令牌级MDP，结合社会选择理论，提出保证事前核心的随机策略和最大化平等福利的搜索算法，实验证明其优于基线方法。
2025-10-15 cs.AI cs.CL cs.GT
Modeling Moral Choices in Social Dilemmas with Multi-Agent Reinforcement Learning
University College London（伦敦大学学院）；University of Bologna（博洛尼亚大学）
本研究通过多智能体强化学习，设计基于道德理论的奖励函数，在三种迭代社交困境中分析智能体道德选择对合作与背叛涌现的影响，为伦理AI开发提供自下而上的方法。
2023-08-30 cs.AI cs.LG cs.MA
Robust Knowledge Extraction from Large Language Models using Social Choice Theory
Cardiff University（卡迪夫大学）；Bosch Center for AI（博世人工智能中心）；Univ. of Stuttgart（斯图加特大学）；Univ. of Oslo（奥斯陆大学）；Univ. of Southampton（南安普顿大学）
针对大型语言模型在高风险领域问答中缺乏稳健性的问题，本文提出重复使用排序查询并结合社会选择理论中的部分博达选择函数进行聚合，以提升查询结果的稳健性，并在医学和故障诊断场景中进行了实证评估。
2024-02-08 cs.AI cs.CL
My Face My Choice: Privacy Enhancing Deepfakes for Social Media Anonymization
Binghamton University（宾汉姆顿大学）；Intel Labs（英特尔实验室）
最近，人脸识别和识别算法的产品化已经成为关于伦理AI最具争议的话题。随着围绕数字身份的新政策的形成，我们在一个假设的社交网络中引入了三种面部访问模型，其中用户有权只出现在他们批准的照片中。我们的方法使当前的标记系统黯然失色，并用数量上不同的deepfake取代未经批准的面孔。此外，我们还提出了专门针对该任务的新指标，其中deepfake是随机生成的，具有保证的相异性。我们解释访问模型的基础上严格的数据流，并讨论每个模型的隐私，可用性和性能的影响。我们评估我们的系统上的面部描述符数据集作为真实的数据集，和两个合成的数据集与随机和平等的类分布。在我们的结果上运行七个SOTA人脸识别器，MFMC将平均准确率降低了61%。最后，我们在结构、视觉和生成空间中广泛分析了相似性度量、deepfake生成器和数据集;支持设计选择并验证质量。
2022-11-02 cs.AI cs.CV
Formation of Social Ties Influences Food Choice: A Campus-Wide Longitudinal Study
EPFL（洛桑联邦理工学院）；Microsoft Research（微软研究院）；Institute of Primary Health Care (BIHAM), University of Bern（伯尔尼大学初级卫生保健研究所（BIHAM））；School of Population and Global Health, McGill University（麦吉尔大学人口与全球卫生学院）；Population Health Laboratory, University of Fribourg（弗里堡大学人口健康实验室）
营养是长期健康的关键决定因素，社会影响长期以来一直被认为是营养的关键决定因素。由于研究的规模通常很小，持续时间也很短，因此很难使用调查等传统方法来量化社会影响对营养的假定作用。为了克服这些限制，我们利用了一个新的数据源：在洛桑联邦理工学院（EPFL）大学校园内8年内进行的3800万次食品购买的日志，通过用于进行校园购买的智能卡与匿名个人相关联。在一项纵向观察研究中，我们问：一个人的食物选择如何受到与其他人一起吃饭的影响，这些人自己的食物选择是健康的还是不健康的？为了从被动观察的日志数据中估计因果效应，我们在匹配的准实验设计中控制混淆：我们识别最初没有任何固定饮食伙伴但随后开始定期与固定伙伴一起饮食的焦点用户，并且我们将焦点用户匹配到比较对中，使得配对用户关于在获得伙伴之前测量的协变量几乎相同，其中两个焦点用户的新的进食伙伴在他们各自的食物选择的健康性方面不同。对配对数据的差异分析得出了社会影响的明确证据：获得健康饮食伴侣的焦点用户比获得不健康饮食伴侣的焦点用户更倾向于健康食品。我们进一步确定的食物，其购买频率的影响显着的饮食伙伴的健康的食物选择。除了主要结果，这项工作还展示了被动感知的食品购买日志在获得见解方面的实用性，并有可能为公共卫生干预措施和食品供应的设计提供信息。
2021-02-17 cs.AI cs.SI
