Как Коллективный разум бьет представление Экспертов? [закрытый]

Что ж, вы можете подумать о следующей «модели» для предположения:

guess = right answer + error

Если мы зададим многим людям вопрос, мы получим много разных предположений. Но если по какой-то причине распределение ошибки s симметрично относительно нуля (на самом деле оно просто должно иметь нулевое среднее), то среднее значение предположений будет довольно хорошим предиктором правильного ответа.

Обратите внимание, что предположения не обязательно должны быть хорошими, т. Е. Ошибки действительно могут быть большими (оценка B или C, а не A), если ответы уровня B и C распределены по обе стороны правильный ответ.

Конечно, бывают случаи, когда это ужасная модель для наших предположений, поэтому коллективный разум не всегда работает ...

Crowd Wisdom techniques, like prediction markets, work well in some situations, and poorly in others, just as other approaches (experts, for instance) have their strengths and weaknesses. The optimal arenas therefore, are ones where no other approaches do very well, and prediction markets can do well. Some examples include predicting public elections, estimating project completion dates, and predicting the prevalence of epidemics. These are areas where information is spread around sparsely, and experts haven't found effective models that reliably predict.

The general idea is that market participants make up for one another's weaknesses. The expectation isn't that the markets will always predict every outcome correctly, but that, due to people noticing other people's mistakes, they won't miss crucial information as often, and that over the long haul, they'll do better. In cases where the exerts actually know the answer, they'll be able to influence the outcome. Different experts can weigh in on different questions, so each has more influence where they have the most knowledge. And as markets continue over time, each participant gets feedback from their gains and losses that makes them better informed about which kinds of questions they actually understand and which ones they should stay away from.

In a classroom, people are often graded on a curve, so the distribution of grades doesn't tell you much about how good the answers were. Prediction markets calibrate all the answers against actual outcomes. This public record of successes and failures does a lot to reinforce the mechanism, and is missing in most other approaches to forecasting.

Ошибка в вашей аналогии, оба мнения не равны. Трейдеры предсказывают прямую прибыль по своей сделке (небольшая часть рынка, которую они просматривают), в то время как эксперт пытается предсказать общее поле.

IOW общая позиция трейдера складывается вместе, как мозаика, основанная на большой сумме. небольших мнений за их соответствующий кусок пирога (где они, как предполагается, являются экспертами).

Отдельный разум не может обработать такого рода детали, поэтому общая позиция МОЖЕТ затмить настоящего эксперта. Обратите внимание, что это, в частности, феномен обычно ограничивается довольно статичным рынком, а не в периоды потрясений. У экспертов обычно получается лучше, так как они часто лучше обучены и мотивированы, чтобы избегать общих настроений. (что часто сравнимо с леммингом во времена беспорядков)

Проблема с аналогией с классом заключается в том, что система оценок не предполагает, что ученики являются мастерами в своей (трудно предсказуемой) местности, поэтому несопоставимо.

Обратите внимание, что основная аксиома зависит от всех игроков, которые являются экспертами в небольшом участке поля. Можно спорить, действительно ли это требование хорошо переносится в среду Web 2.

Коллективный разум действительно хорош в решении проблем, за которыми стоит сложное поведение, потому что они могут взять несколько источников мнений / атрибутов для определения конечного результата. При такой настройке обучение помогает оптимизировать конечный результат процессов.