Мудрость толпы: когда разнообразие помогает, а подражание мешает

Считать нужно не людей, а независимую информацию

Десять прогнозов, повторяющих одну заметку, не равны десяти независимым наблюдениям. Агрегирование может уменьшать индивидуальный шум, но не обязано устранять общую ошибку. Чтобы обсуждать «мудрость толпы», сначала спросите, что люди оценивают, какие данные видели, отвечали ли независимо и каким способом объединены ответы. Цена на рынке, средняя анкеты и голосование большинством — три разных механизма, даже если везде участвует много людей.

В эксперименте Лоренца и соавторов социальное влияние могло уменьшать разнообразие оценок без соответствующего улучшения коллективной точности и усиливать уверенность. Но последующая научная дискуссия отдельно обращает внимание на различие коллективного и индивидуального результата. Это не повод объявлять любое общение вредным: результат зависит от задачи и критерия оценки.[1][2]

Вымышленные измерения одного показателя

Пусть нужно оценить неизвестное число, которое после проверки окажется равным ста. Три независимые предварительные оценки — восемьдесят, сто и сто двадцать; их среднее равно ста. Если участники сначала увидели ошибочную подсказку «скорее около ста тридцати» и все сообщили сто тридцать, разногласие исчезло, а ошибка выросла до тридцати. Совпадение ответов стало сильнее, но информации об истине не прибавилось.

Это намеренно упрощённый пример, не результат эксперимента и не модель котировок. Он показывает, что малая дисперсия мнений не является самостоятельным доказательством правильности. Аналогично группа может единодушно ошибаться из-за неверного курса пересчёта, устаревшего отчёта или одинаковой трактовки показателя. Сначала проверяют первичный факт, а уже затем усредняют вытекающие из него оценки.

Как собирать мнения, чтобы проверить пользу

Предложите участникам сначала независимо записать оценку, диапазон неопределённости и источник. Сохраните эти ответы. Затем разрешите обсуждение и соберите вторую версию с пояснением, что именно изменилось. После раскрытия факта сравните точность двух этапов. Такой протокол позволяет отличить обучение у более информированного участника от простого сближения ответов под влиянием уверенного голоса.

Не назначайте веса только за громкость и должность. Обоснованные веса потребовали бы доступной до текущего вопроса истории точности на сопоставимых задачах. Даже тогда стоит проверить устойчивость к исключению одного эксперта и к общим источникам данных. Если два аналитика используют одну базу и один алгоритм, их формальная принадлежность разным организациям ещё не обеспечивает информационной независимости.

Почему консенсус не описывает всю неопределённость

Исследование Зарновица и Ламброса различает согласие между точечными прогнозами и неопределённость внутри вероятностного распределения каждого прогнозиста. Люди могут назвать близкие центральные значения и одновременно допускать очень широкий диапазон исходов. Поэтому небольшой разброс центральных чисел способен скрывать существенную неопределённость, а не устранять её.[3]

Практически это означает: попросите не только «средний ожидаемый рост», но и перечень сценариев и вероятностей. При объединении не стирайте разные основания. Два одинаковых числа, полученные из противоположных предпосылок, могут реагировать на новую информацию совершенно по-разному. Проверка калибровки прогнозов полезнее простой демонстрации того, сколько экспертов согласились друг с другом.

Почему фондовый рынок не обычная викторина

В учебной викторине правильный ответ часто существует независимо от поведения участников. На рынке их действия могут менять цену, ликвидность и ограничения других людей. Кроме того, веса мнений определяются не только количеством участников, но и объёмом доступных средств и сделками. Переносить лабораторный результат прямо на прибыльность покупки поэтому нельзя. Вопрос взаимодействий рассматривается в разборе сложных систем.

При чтении первоисточника проверьте тип задачи, способ агрегации, доступность чужих ответов и критерий успеха. Для собственного обсуждения полезно сохранить независимые первоначальные оценки и отдельно указать общие входные данные. Итогом должен стать перечень проверяемых причин согласия и несогласия, а не уверенность, что многочисленная группа автоматически знает будущую цену.

Упражнение с происхождением оценок

Составьте маленькую карту из пяти прогнозов и проведите стрелки к использованным источникам. Если все стрелки сходятся к одной исходной таблице, увеличение числа пересказов не увеличило число наблюдений. Затем отметьте независимые операции: кто проверил периметр, кто пересчитал валюту, кто использовал другой набор данных. Разнообразие появляется на уровне проверяемой работы, а не только фамилий.

Для агрегирования заранее определите, используется ли среднее, медиана или иной способ и почему. Медиана устойчивее к отдельному крайнему ответу в определённом смысле, но она не устраняет общую ошибку всех участников. Можно показать результаты нескольких заранее выбранных способов, не назначая победителем тот, который случайно оказался ближе после раскрытия факта. Так проверяется организация процесса, а не способность задним числом подобрать красивое правило объединения.

Источники и границы проверки

[1] How social influence can undermine the wisdom of crowd effect. Лабораторные оценки и социальное влияние; перенос на цены ограничен.

[2] Social influence benefits the wisdom of individuals in the crowd. Различие индивидуальной и коллективной точности.

[3] Consensus and Uncertainty in Economic Prediction. Разброс консенсуса не равен неопределенности отдельных прогнозов.

Муравьиная оптимизация: память находится на рёбрах

В описании муравьиной оптимизации Марко Дориго маршрут строится последовательно: вероятность перехода зависит от следа предыдущего поиска и локальной привлекательности ребра. После построения маршрутов след обновляют, а его часть испаряется.[RCW1] Это алгоритмическая конструкция, вдохновлённая насекомыми, не утверждение, что природная колония решает любую задачу оптимально.

Зададим свой минимальный вариант. Из вершины i доступны ещё не посещённые вершины j; вес перехода wᵢⱼ=τᵢⱼ/dᵢⱼ, где τ — положительный след, d — заданная длина. Вероятность равна весу, делённому на сумму доступных весов. После полного тура каждое использованное ребро получает Q/L, где L — длина тура; старый след умножается на 1−ρ. На первой развилке с равными следами и расстояниями 2 и 4 веса равны 1/2 и 1/4, вероятности — 2/3 и 1/3. Пусть Q=12, ρ=0,5, исходный след равен 1. Ребро тура длины 6 получит след 2,5, неиспользованное останется с 0,5. Это проверяемая положительная обратная связь вместе с забыванием.

Для коммивояжёра заданы города и стоимость каждой связи. Тур должен посетить каждый город ровно один раз и вернуться к началу. В искусственном графе AB=2, BC=2, CD=2, DA=2, AC=5, BD=5 маршрут ABCDA имеет длину 8; ABDCA — 14. Сравнить две длины легко; найти лучший тур среди большого числа вариантов значительно сложнее. Алгоритм останавливают по заранее заданному бюджету построенных туров и сравнивают с простым случайным поиском при том же бюджете. Лучший найденный результат не объявляют доказанным глобальным минимумом без отдельной нижней границы или полного перебора. При слишком сильном усилении раннего маршрута исчезает разнообразие; испарение и случайный выбор уменьшают, но не устраняют риск застревания.

Лабиринт и поиск специалиста: объединять сведения, а не ответы

В лабиринте полезна не средняя длина чужих путей, а карта проверенных переходов. Авторский пример: первый участник обнаружил рёбра S→A длиной 1 и A→T длиной 9, второй — S→B длиной 4 и B→T длиной 4, третий — A→B длиной 1. Их отдельные маршруты могут быть длиннее, чем путь S→A→B→T длиной 6 в объединённом графе. Новый маршрут допустим только если каждое ребро реально наблюдалось, направления совпадают, а состояние лабиринта не изменилось. Усреднить названия поворотов нельзя: получится путь, которого никто не проверял.

Здесь разнообразие даёт покрытие пространства, а не непременно компенсацию ошибок. Если все исследуют один коридор, дополнительные люди почти не расширяют карту. Если стоимость проверки рёбер велика, нужно сопоставить выигрыш с затратами разведки и коммуникации. По аналогии творческое исследование начинает с двух независимых объяснений, затем ищет наблюдение, различающее их; механическое накопление ссылок одного происхождения не создаёт разнообразия.

Поиск редкого специалиста — ещё одна задача. Вместо усреднения мнений нужен приём заявок и проверяемый критерий решения. В игрушечной модели вероятность того, что случайно выбранный независимый кандидат способен решить задачу, равна 0,1. Для пяти кандидатов вероятность хотя бы одного подходящего равна 1−0,9⁵≈40,95%. Это не измерение эффективности открытых конкурсов: зависимость компетенций, самоотбор и стоимость проверки меняют расчёт. Условия конкурса должны заранее определить воспроизводимый тест, права на результат и оплату; число заявок не заменяет проверку решения.

Рынок предсказаний и учебный прогноз продаж принтеров

Контракт «да» выплачивает одну условную единицу, если заранее точно определённое событие произошло, и ноль иначе. При цене 0,65 и субъективной вероятности 0,70 его ожидаемый денежный результат до расходов — 0,05. Интерпретация цены как вероятности требует дополнительных допущений об отношении к риску, богатстве, ликвидности и возможностях участников. Это не среднее голосов и не гарантия калибровки. Должны быть определены источник факта, срок, порядок разрешения спорного результата и отсутствие возможности самим изменить исход в личную пользу.

Исследование Чэня и Плотта о внутреннем прогнозировании продаж в Hewlett-Packard описывает специально организованный механизм агрегации, а не универсальное превосходство любой толпы.[RCW2] Сохраняем общий механизм, но не переносим название товара, выборку и историческую точность как готовое доказательство.

В собственном упражнении прогнозируем месячные продажи вымышленных принтеров: ниже 80, от 80 до 120 включительно, выше 120. Три взаимоисключающих контракта платят по единице каждый только в своём диапазоне. Цены 0,2; 0,5; 0,3 суммируются в единицу; покупка полного набора за единицу даёт одну единицу при любом исходе без расходов. Значения 60, 100 и 140 можно назначить представителями диапазонов и получить 104 как взвешенную оценку. Однако открытые крайние интервалы не определяют собственных средних; 104 — результат дополнительной авторской модели, не математическое ожидание, однозначно извлечённое из котировок.

Для проверки полезности сначала зафиксируйте официальные прогнозы, рыночные вероятности и время их получения, затем сравните ошибки на одинаковом наборе месяцев. Участники из продаж, складов и производства дают разные сведения; общая корпоративная премия и страх спорить с начальством способны разрушить независимость. В контроль включают и неудачные месяцы, стоимость механизма и изменения правил. Даже преимущество на таком испытании не доказывает эффективность фондовых цен: предмет расчёта, выплаты и влияние участников на исход иные.

[RCW1] Marco Dorigo, Mauro Birattari, Thomas Stützle, «Ant Colony Optimization: Artificial Ants as a Computational Intelligence Technique», IRIDIA, Université Libre de Bruxelles, Technical Report Series, TR/IRIDIA/2006-023, сентябрь 2006, разделы II.A–II.C, формулы (2)–(5), источник cr-aco-dorigo-http. Формальная схема вероятностного поиска и обновления следа; графы и числа здесь авторские.

[RCW2] Kay-Yut Chen, Charles R. Plott, «Information Aggregation Mechanisms: Concept, Design and Implementation for a Sales Forecasting Problem», источник cr-sales-markets. Первичное исследование конкретного корпоративного механизма; учебные принтеры и интервалы — самостоятельный пример.

Как последовательные действия скрывают частные сигналы

В модели информационного каскада человек наблюдает действия предшественников, но не их личные сведения. Обзор независимых оценок и такое последовательное обучение — разные задачи. Первичная работа Бикхчандани, Хиршлейфера и Уэлча показывает возможность ситуации, когда действие перестаёт раскрывать частную информацию.1 Следующий пример построен заново; он не воспроизводит рыночные котировки.

Есть два состояния условного проекта: хорошее и плохое, априорные вероятности по половине. Участники по очереди выбирают «принять» или «отклонить», получая единицу за правильное определение состояния и ноль за ошибку. Цена и выплаты не меняются от чужих решений. Каждый получает независимый при заданном состоянии сигнал: он верен с вероятностью 75%. Все знают правила и видят прежние действия, но не сигналы. При равенстве итоговых вероятностей договоримся следовать своему сигналу. Именно это правило ничьей важно для примера.

Первый видит положительный сигнал и принимает. Его действие раскрывает этот сигнал. Второй тоже видит положительный и принимает. После двух таких действий отношение вероятностей хорошего и плохого состояния равно (0,75/0,25)² = 9; вероятность хорошего состояния — 9/(1 + 9) = 90%.

Третий видит отрицательный сигнал. Он уменьшает отношение шансов в три раза, но оставляет его равным трём; итоговая вероятность хорошего состояния — 75%. Поэтому третий тоже принимает, хотя его частное наблюдение отрицательно. Если бы сигнал был положительным, он также принял бы. Его действие одинаково при обоих сигналах: оно уже не сообщает следующему участнику, что именно он узнал.

Четвёртый не вправе считать три принятия тремя независимыми положительными сигналами. Он знает, что третье действие ничего не раскрыло, и сохраняет публичные шансы 9 к 1. Его собственный отрицательный сигнал опять оставляет преимущество хорошего состояния. Так последующие действия могут повторяться, не добавляя независимых сведений. Количество согласных растёт, информативность последовательности — нет.

Каскад может быть ошибочным и хрупким

При действительно плохом состоянии первые два частных сигнала всё равно могут оказаться положительными: вероятность такого конкретного начала равна 0,25² = 6,25%. При наших правилах оно запускает ошибочное принятие. Это условная вероятность одного пути при плохом состоянии, не общая вероятность всех ошибочных каскадов и тем более не частота рыночных пузырей. Чтобы считать общий показатель, нужно учесть все возможные начала, отрицательные каскады, ничьи и априорные вероятности.

Теперь представим новую общедоступную проверку, дающую отношение правдоподобия 20 к 1 в пользу плохого состояния. Публичные шансы хорошего станут 9/20, то есть ниже единицы. Новая информация способна разрушить согласие, которое выглядело массовым. Поэтому внезапный разворот не обязательно означает, что каждый участник одновременно получил независимое новое наблюдение. Одновременно модель не утверждает, что любой разворот объясняется каскадом.

Отделите информационное подражание от репутационного: человек может следовать другим не ради лучшего вывода о проекте, а чтобы не отличаться от группы или не потерять клиента. Желание иметь «не хуже, чем у знакомых» добавляет иной мотив; оно не повышает точность сигнала. Популярность товара или известность компании также не говорит, выгодна ли уже уплачиваемая цена. Удовольствие от участия в обсуждении и ожидаемый денежный результат — разные цели; высокая цена привлекательной истории может оставить мало места для последующего дохода.

Практическая проверка состоит в восстановлении происхождения информации: кто сделал независимое наблюдение, кто увидел лишь действие, кто пересказывает одного автора. Сохранение первоначальных оценок помогает обнаружить потерянные сигналы, но не гарантирует правильность. На финансовом рынке есть меняющиеся цены, неодинаковые выплаты, ограничения, частично информативные объёмы и новые публичные новости. Поэтому данная модель объясняет один механизм информационной зависимости, но не предсказывает направление цены, масштаб заражения или момент разворота. Аналогии с животными, модой и инфекциями не заменяют проверку этих условий.