ミラーバジェットから弱いアナーキズムへ — VECTION
public.icon
https://gyazo.com/ba50e40bea9280689b12df2f80829f85
cameturtle.iconのツイートで知った
@cameturtle: 他の参加者のうち何%の人が、その質問にyesと答えると予測しますか?」という質問を追加する ↓
正解を知っている少数派はその割合低く見積もるということを利用して集合知を集約する ある問題を予測するときに、問題に対しての予測と、他人の予測に対しての予測の両方を使うというのが面白い
ミラーバジェットという多数決を補正する方法を改良した論文の筆者らは、質問にyesと答えると予測される他の参加者のうち何％の人かを追加で訊くことをしました。これは、自分の確信度と他人の確信度を比較することで、自分の答えが正しい可能性を高めるという改良です。これにより、専門家 途中で若干サマリーが途切れる?
https://gyazo.com/37998380fe23267369612fd56acf876b
多数決を補正する方法として、「自分の答えにどれだけ自信を持っているか?」という確信度を合わせてたずねる方法もあります。答えに確信を持っている方が、実際に正しい可能性も高いという仮定なら、良さそうな改良です。 そこでひとひねりし、この論文の筆者らは、「他の参加者のうち何%の人が、その質問にyesと答えると予測しますか?」という質問を追加しました。つまり、自分の意見と他人の意見との一致度も追加で訊くことにしてみたわけです。
「自分はわかってるけど、他の人は理解できなさそうなこと」を適応するということか。一部専門家というか知識人のメタ認知を活用するtkgshn.icon 例えば「フィラデルフィアはペンシルバニア州の州都か?」という問いに「yes」と答えた人は、（間違って確信しているので）当然他の人も「yes」と答えるだろうと判断します。ですから、一致率の質問に対しても高いパーセンテージを答えます。ところがこの問いに「no」という正解を答えた人は、この問題が、実は見かけより難しいことを知っているので、（皆間違えるだろうなと確信して）一致率の質問には低いパーセンテージを答えます。
この事実を利用して、実際の投票結果より予想の方が低かった方、逆にいえば、予想より投票結果の方が高い割合を示した方の選択肢を「正解」として選ぶ（surprisingly popular algorithm）という方策が導けます（または、そのような意味を持つ補正をかけた予測正規化付き投票 prediction-normalized vote も可能です）。 この方策は、フィラデルフィアのような場合なら、少数派の知識を選びます。また、そもそも誰も答えを知らないような答えの場合は単なる多数決を再現するので、多数決や確信度を入れた投票の正解率を常に上回ります。 著者はysmxysmx.icon?tkgshn.icon