stringtranslate.com

Мудрость толпы

Мудрость толпы — это коллективное мнение разнообразной и независимой группы людей, а не одного эксперта. Этот процесс, хотя и не является новым для информационного века , был выдвинут в центр внимания такими сайтами социальной информации, как Quora , Reddit , Stack Exchange , Wikipedia , Yahoo! Answers и другими веб-ресурсами, которые полагаются на коллективные человеческие знания. [1] Объяснение этого явления заключается в том, что с каждым индивидуальным суждением связан идиосинкразический шум, и взятие среднего значения по большому количеству ответов в некоторой степени отменит эффект этого шума. [2]

Суд присяжных можно понимать как по крайней мере частично полагающийся на мудрость толпы, в отличие от суда присяжных , который полагается на одного или нескольких экспертов. В политике иногда жеребьевка проводится как пример того, как будет выглядеть мудрость толпы. Принятие решений будет происходить разнообразной группой, а не довольно однородной политической группой или партией. Исследования в области когнитивной науки пытались смоделировать связь между эффектами мудрости толпы и индивидуальным познанием.

Обобщенные ответы большой группы на вопросы, включающие количественную оценку, общие знания о мире и пространственное мышление, как правило, оказываются такими же хорошими, а часто и лучше ответов, данных любым из членов группы.

Теоремы присяжных из теории общественного выбора предоставляют формальные аргументы в пользу мудрости толпы, учитывая множество более или менее правдоподобных предположений. И предположения, и выводы остаются спорными, хотя сами теоремы таковыми не являются. Самая старая и простая — теорема присяжных Кондорсе (1785).

Примеры

Аристотель считается первым человеком, написавшим о «мудрости толпы» в своей работе «Политика» . [3] [4] По словам Аристотеля, «возможно, что многие, хотя и не являющиеся по отдельности хорошими людьми, когда они объединяются, могут быть лучше, не по отдельности, а коллективно, чем те, кто таковы, точно так же, как общественные обеды, в которых участвуют многие, лучше тех, которые приготовлены за счет одного человека». [5]

Сэр Фрэнсис Гальтон, картина Чарльза Веллингтона Фёрса , переданная в 1954 году в Национальную портретную галерею в Лондоне.

Классический вывод мудрости толпы включает точечную оценку непрерывной величины. На сельской ярмарке 1906 года в Плимуте 800 человек приняли участие в конкурсе по оценке веса забитого и освежеванного быка. Статистик Фрэнсис Гальтон заметил, что медианное предположение, 1207 фунтов, было точным в пределах 1% от истинного веса 1198 фунтов. [6] Это способствовало пониманию в когнитивной науке того, что индивидуальные суждения толпы можно смоделировать как распределение вероятностей ответов с медианой, центрированной вблизи истинного значения оцениваемой величины. [7]

В последние годы феномен «мудрости толпы» использовался в бизнес-стратегии, рекламных пространствах, а также в политических исследованиях. Маркетинговые фирмы собирают отзывы потребителей и впечатления от бренда для клиентов. Между тем, такие компании, как Trada, привлекают толпы для разработки рекламы на основе требований клиентов. [8] Наконец, политические предпочтения объединяются для прогнозирования или составления прогнозов политических выборов. [9] [10]

Распространены примеры, не связанные с человеком. Например, золотистый фингер — рыба, которая предпочитает тенистые места. Одиночному фингеру очень трудно найти тенистые места в водоеме, тогда как большая группа гораздо эффективнее находит тень. [11]

Многомерные проблемы и моделирование

Хотя классические результаты «мудрости толпы» сосредоточены на точечных оценках отдельных непрерывных величин, явление также масштабируется до многомерных задач, которые не поддаются методам агрегации, таким как взятие среднего значения. Для этих целей были разработаны более сложные модели. Несколько примеров многомерных задач, которые демонстрируют эффекты «мудрости толпы», включают:

Удивительно популярный

В ходе дальнейшего изучения способов улучшения результатов ученые из лаборатории нейроэкономики имени Слоуна Массачусетского технологического института совместно с Принстонским университетом разработали новую методику под названием « удивительно популярная ». На заданный вопрос людей просят дать два ответа: какой, по их мнению, правильный ответ и какой, по их мнению, будет популярное мнение. Усредненная разница между ними указывает на правильный ответ. Было обнаружено, что алгоритм «удивительно популярная» снижает количество ошибок на 21,3 процента по сравнению с простым большинством голосов и на 24,2 процента по сравнению с базовыми голосами с весом на уверенность, когда люди выражают, насколько они уверены в своих ответах, и на 22,2 процента по сравнению с продвинутыми голосами с весом на уверенность, когда используются только ответы с самым высоким средним значением. [18]

Определение толпы

В контексте мудрости толпы термин «толпа» приобретает широкое значение. Одно из определений характеризует толпу как группу людей, собранных открытым призывом к участию. [19]

В цифровую эпоху потенциал коллективного интеллекта расширился с появлением информационных технологий и социальных медиа-платформ, таких как Google, Facebook, Twitter и других. Эти платформы позволяют агрегировать мнения и знания в огромных масштабах, создавая то, что некоторые определяют как «интеллектуальные сообщества». [20] Однако эффективность этих цифровых толп может быть скомпрометирована такими проблемами, как демографические предубеждения, влияние высокоактивных пользователей и присутствие ботов, которые могут исказить разнообразие и независимость, необходимые для того, чтобы толпа была по-настоящему мудрой. Чтобы смягчить эти проблемы, исследователи предложили использовать мультимедийный подход для агрегирования интеллекта с различных платформ или использовать факторный анализ для фильтрации предубеждений и шума. [21]

Хотя толпы часто используются в онлайн-приложениях, их также можно использовать в офлайн-контекстах. [19] В некоторых случаях членам толпы могут предлагаться денежные поощрения за участие. [22] Некоторые приложения «мудрости толпы», такие как обязанности присяжных в Соединенных Штатах, требуют участия толпы. [23]

Аналоги с индивидуальным познанием: «внутренняя толпа»

Понимание того, что ответы толпы на задачу оценки можно смоделировать как выборку из распределения вероятностей, приглашает к сравнению с индивидуальным познанием. В частности, возможно, что индивидуальное познание является вероятностным в том смысле, что индивидуальные оценки берутся из «внутреннего распределения вероятностей». Если это так, то две или более оценок одной и той же величины от одного и того же человека должны усредняться до значения, более близкого к истинному, чем любое из индивидуальных суждений, поскольку эффект статистического шума в каждом из этих суждений уменьшается. Это, конечно, основывается на предположении, что шум, связанный с каждым суждением, является (по крайней мере, в некоторой степени) статистически независимым . Таким образом, толпа должна быть независимой, но также и разнообразной, чтобы допускать разнообразие ответов. Ответы на концах спектра будут отменять друг друга, позволяя мудрости феномена толпы занять свое место. Другое предостережение заключается в том, что индивидуальные вероятностные суждения часто смещены в сторону экстремальных значений (например, 0 или 1). Таким образом, любой полезный эффект множественных суждений от одного и того же человека, вероятно, будет ограничен выборками из несмещенного распределения. [24]

Вул и Пашлер (2008) попросили участников дать точечные оценки непрерывных величин, связанных с общими мировыми знаниями, такими как «Какой процент аэропортов мира находится в Соединенных Штатах?». Не будучи предупрежденными о процедуре заранее, половину участников немедленно попросили сделать второе, другое предположение в ответ на тот же вопрос, а другую половину попросили сделать это через три недели. Среднее значение двух предположений участника было точнее, чем любое индивидуальное предположение. Кроме того, средние значения предположений, сделанных в условиях трехнедельной задержки, были точнее, чем предположения, сделанные в непосредственной последовательности. Одним из объяснений этого эффекта является то, что предположения в условиях немедленной задержки были менее независимы друг от друга ( эффект привязки ) и, таким образом, были подвержены (некоторым) одному и тому же виду шума. В целом эти результаты предполагают, что индивидуальное познание действительно может быть подвержено внутреннему распределению вероятностей, характеризующемуся стохастическим шумом, а не последовательному получению наилучшего ответа на основе всех знаний, имеющихся у человека. [24] Эти результаты были в основном подтверждены в высокопроизводительной предварительно зарегистрированной репликации. [25] Единственный результат, который не был полностью воспроизведен, заключался в том, что задержка во втором предположении приводит к получению более точной оценки.

Хурихан и Бенджамин (2010) проверили гипотезу о том, что улучшения оценок, наблюдаемые Вулом и Пашлером в условиях отсроченного реагирования, были результатом возросшей независимости оценок. Для этого Хурихан и Бенджамин использовали различия в объеме памяти среди своих участников. В поддержку они обнаружили, что усреднение повторных оценок тех, у кого объем памяти ниже, показало большее улучшение оценок, чем усреднение повторных оценок тех, у кого объем памяти больше. [26]

Раухут и Лоренц (2011) расширили это исследование, снова попросив участников сделать оценки непрерывных величин, связанных со знаниями реального мира. В этом случае участникам сообщили, что они сделают пять последовательных оценок. Этот подход позволил исследователям определить, во-первых, сколько раз нужно спросить себя, чтобы соответствовать точности вопросов других, а затем скорость, с которой оценки, сделанные самим собой, улучшают оценки по сравнению с вопросами других. Авторы пришли к выводу, что спрашивание себя бесконечное количество раз не превосходит точность вопроса только одному другому человеку. В целом, они нашли мало подтверждений так называемому «ментальному распределению», из которого люди делают свои оценки; на самом деле, они обнаружили, что в некоторых случаях, когда они спрашивают себя несколько раз, на самом деле снижается точность. В конечном счете, они утверждают, что результаты Вула и Пашлера (2008) переоценивают мудрость «внутренней толпы» — поскольку их результаты показывают, что спрашивание себя более трех раз на самом деле снижает точность до уровней ниже, чем сообщали Вул и Пашлер (которые просили участников сделать только две оценки). [27]

Мюллер-Треде (2011) попытался исследовать типы вопросов, в которых использование «внутренней толпы» является наиболее эффективным. Он обнаружил, что хотя прирост точности был меньше, чем можно было бы ожидать от усреднения оценок одного человека с другим человеком, повторные суждения приводят к повышению точности как для вопросов об оценке года (например, когда был изобретен термометр?), так и для вопросов об оценочных процентах (например, какой процент интернет-пользователей подключается из Китая?). Общие числовые вопросы (например, какова скорость звука в километрах в час?) не улучшились при повторных суждениях, в то время как усреднение индивидуальных суждений с суждениями случайного другого человека действительно улучшило точность. Это, утверждает Мюллер-Треде, является результатом границ, подразумеваемых вопросами о годе и процентах. [28]

Ван Долдер и Ван ден Ассем (2018) изучили «толпу внутри», используя большую базу данных из трех конкурсов по оценке, организованных Holland Casino. Для каждого из этих конкурсов они обнаружили, что внутриличностная агрегация действительно повышает точность оценок. Кроме того, они также подтверждают, что этот метод работает лучше, если между последующими суждениями есть временная задержка. Даже при значительной задержке между оценками межличностная агрегация более выгодна. Среднее значение большого количества суждений от одного и того же человека едва ли лучше, чем среднее значение двух суждений от разных людей. [29]

Диалектический бутстрэппинг: улучшение оценок «внутренней толпы»

Херцог и Хертвиг ​​(2009) попытались улучшить «мудрость многих в одном уме» (т. е. «толпу внутри»), попросив участников использовать диалектический бутстраппинг. Диалектический бутстраппинг включает в себя использование диалектики (аргументированное обсуждение, которое происходит между двумя или более сторонами с противоположными взглядами, в попытке определить наилучший ответ) и бутстраппинг (продвижение себя без помощи внешних сил). Они утверждали, что люди должны иметь возможность вносить большие улучшения в свои первоначальные оценки, основывая вторую оценку на антитетической информации. Следовательно, эти вторые оценки, основанные на других предположениях и знаниях, чем те, которые использовались для создания первой оценки, также будут иметь другую ошибку (как систематическую , так и случайную ), чем первая оценка, что увеличивает точность среднего суждения. С аналитической точки зрения диалектический бутстраппинг должен повышать точность, пока диалектическая оценка не слишком далека, а ошибки первой и диалектической оценок различны. Чтобы проверить это, Херцог и Хертвиг ​​попросили участников сделать ряд оценок дат относительно исторических событий (например, когда было открыто электричество), не зная, что их попросят предоставить вторую оценку. Затем половину участников просто попросили сделать вторую оценку. Другую половину попросили использовать стратегию «рассмотреть противоположное» для проведения диалектических оценок (используя свои первоначальные оценки в качестве точки отсчета). В частности, участников попросили представить, что их первоначальная оценка была неверной, подумать, какая информация могла быть неверной, что могла бы предложить эта альтернативная информация, сделало бы это их оценку завышенной или заниженной, и, наконец, на основе этой точки зрения, какой будет их новая оценка. Результаты этого исследования показали, что, хотя диалектический бутстраппинг не превзошел мудрость толпы (усреднение первой оценки каждого участника с оценкой случайного другого участника), он дал лучшие оценки, чем просто просьба к отдельным лицам сделать две оценки. [30]

Хирт и Маркман (1995) обнаружили, что участникам не нужно ограничиваться стратегией «рассмотреть противоположное», чтобы улучшить суждения. Исследователи просили участников рассмотреть альтернативу — операционализировать ее как любую правдоподобную альтернативу (а не просто фокусироваться на «противоположной» альтернативе) — обнаружив, что простое рассмотрение альтернативы улучшает суждения. [31]

Не все исследования подтвердили, что «толпа внутри» улучшает суждения. Ариэли и коллеги попросили участников предоставить ответы, основанные на их ответах на вопросы «истина-ложь» и их уверенности в этих ответах. Они обнаружили, что в то время как усреднение оценок суждений между людьми значительно улучшило оценки, усреднение повторных оценок суждений, сделанных теми же людьми, не улучшило оценки значительно. [32]

Проблемы и подходы к решению

Исследования мудрости толпы обычно приписывают превосходство средних оценок толпы над индивидуальными суждениями устранению индивидуального шума [33] , объяснение, которое предполагает независимость индивидуальных суждений друг от друга. [7] [24] Таким образом, толпа имеет тенденцию принимать наилучшие решения, если она состоит из различных мнений и идеологий.

Усреднение может устранить случайные ошибки , которые по-разному влияют на ответ каждого человека, но не систематические ошибки , которые одинаково влияют на мнение всей толпы. Например, нельзя ожидать, что метод мудрости толпы компенсирует когнитивные предубеждения . [34] [35]

Скотт Э. Пейдж представил теорему о прогнозировании разнообразия: «Квадрат ошибки коллективного прогноза равен среднему квадрату ошибки за вычетом прогнозируемого разнообразия». Поэтому, когда разнообразие в группе велико, ошибка толпы мала. [36]

Миллер и Стиверс уменьшили независимость индивидуальных ответов в эксперименте с мудростью толпы, разрешив ограниченное общение между участниками. Участникам было предложено ответить на вопросы по упорядочиванию для вопросов общего знания, таких как порядок президентов США. Для половины вопросов каждый участник начинал с порядка, представленного другим участником (и предупреждался об этом факте), а для другой половины они начинали со случайного порядка, и в обоих случаях их просили переставить их (при необходимости) в правильный порядок. Ответы, в которых участники начинали с рейтинга другого участника, были в среднем более точными, чем те, которые были получены при случайном начальном условии. Миллер и Стиверс пришли к выводу, что различные знания на уровне предметов среди участников ответственны за это явление, и что участники интегрировали и дополняли знания предыдущих участников своими собственными знаниями. [37]

Толпы, как правило, работают лучше всего, когда есть правильный ответ на поставленный вопрос, например, вопрос по географии или математике. [38] Когда нет точного ответа, толпы могут прийти к произвольным выводам. [39] Алгоритмы мудрости толпы процветают, когда индивидуальные ответы демонстрируют близость и симметричное распределение вокруг правильного, хотя и неизвестного, ответа. Эта симметрия позволяет ошибкам в ответах нейтрализовать друг друга в процессе усреднения. И наоборот, эти алгоритмы могут давать сбои, когда подмножество правильных ответов ограничено, не в состоянии противодействовать случайным предубеждениям. Эта проблема особенно выражена в онлайн-настройках, где люди, часто с разным уровнем знаний, отвечают анонимно. Некоторые алгоритмы «мудрости толпы» решают эту проблему, используя методы голосования с максимизацией ожиданий. Алгоритм «мудрость толпы» (WICRO) [35] предлагает решение для классификации за один проход. Он измеряет уровень знаний людей, оценивая относительное «расстояние» между ними. В частности, алгоритм определяет экспертов, предполагая, что их ответы будут относительно «ближе» друг к другу при ответе на вопросы в пределах их области знаний. Этот подход повышает способность алгоритма различать уровни знаний в сценариях, где только небольшая подгруппа участников обладает знаниями в данной области, смягчая влияние потенциальных предубеждений, которые могут возникнуть во время анонимных онлайн-взаимодействий. [35] [40]

Мудрость эффекта толпы легко подорвать. Социальное влияние может привести к тому, что среднее значение ответов толпы будет неточным, в то время как геометрическое среднее и медиана будут более надежными. [41] Это основано на знании неопределенности человека и доверии к его оценке. Средний ответ людей, которые разбираются в теме, будет отличаться от среднего значения людей, которые ничего не знают о теме. Простое среднее значение мнений знающих и неопытных будет менее точным, чем то, в котором взвешивание среднего значения основано на неопределенности и доверии к их ответу.

Эксперименты, проведенные Швейцарским федеральным технологическим институтом, показали, что когда группе людей предлагалось ответить на вопрос вместе, они пытались прийти к консенсусу, что часто приводило к снижению точности ответа. Одним из предложений по борьбе с этим эффектом является обеспечение того, чтобы группа содержала население с различным происхождением. [39]

Исследования проекта Good Judgment Project показали, что команды, организованные для проведения опросов по прогнозированию, могут избежать преждевременного консенсуса и выдавать более точные оценки совокупной вероятности, чем те, которые выдаются на рынках прогнозирования. [42]

Смотрите также

Ссылки

  1. ^ Баасе, Сара (2007). Дар огня: социальные, правовые и этические вопросы вычислений и Интернета . 3-е издание. Prentice Hall. стр. 351–357. ISBN  0-13-600848-8 .
  2. ^ ab Yi, Sheng Kung Michael; Steyvers, Mark; Lee, Michael D.; Dry, Matthew J. (апрель 2012 г.). «Мудрость толпы в комбинаторных задачах». Cognitive Science . 36 (3): 452–470. doi : 10.1111/j.1551-6709.2011.01223.x . PMID  22268680.
  3. ^ Обер, Джосайя (сентябрь 2009 г.). «Аристотелевский средний путь между обдумыванием и агрегацией независимых догадок» (PDF) . Рабочие документы Принстона/Стэнфорда по классике . Стэнфорд, Калифорния: Стэнфордский университет .
  4. ^ Ландемор, Элен (2012). «Коллективная мудрость — старая и новая» (PDF) . В Ландемор, Элен; Элстер, Джон (ред.). Коллективная мудрость: принципы и механизмы . Кембридж, Англия: Cambridge University Press . ISBN 9781107010338. OCLC  752249923.
  5. ^ Аристотель (1967) [4 век до н. э.]. "III". Политика . Перевод Рэкхэма, Х. Кембридж, Массачусетс: Классическая библиотека Лёба . стр. 1281б. ASIN  B00JD13IJW.
  6. ^ Гальтон, Фрэнсис (1907). «Голос народа». Природа . 75 (1949): 450–451. Бибкод : 1907Natur..75..450G. дои : 10.1038/075450a0 .
  7. ^ ab Surowiecki, James (2004). Мудрость толпы . Doubleday . стр. 10. ISBN 978-0-385-50386-0.
  8. ↑ Рич, Лора (4 августа 2010 г.). «Tapping the Wisdom of the Crowd». The New York Times . ISSN  0362-4331 . Получено 3 апреля 2017 г.
  9. ^ Sjöberg, Lennart (сентябрь 2008 г.). «Все ли толпы одинаково мудры? Сравнение политических прогнозов выборов, составленных экспертами и общественностью». Journal of Forecasting . 28 (1): 1–18. doi :10.1002/for.1083. S2CID  153631270.
  10. ^ Мурр, Андреас Э. (сентябрь 2015 г.). «Мудрость толпы: применение теоремы присяжных Кондорсе к прогнозированию президентских выборов в США». Международный журнал прогнозирования . 31 (3): 916–929. doi :10.1016/j.ijforecast.2014.12.002.
  11. ^ Йонг, Эд (31 января 2013 г.). «Истинная мудрость толпы». Phenomena . Архивировано из оригинала 3 февраля 2013 г. . Получено 2 апреля 2017 г. .
  12. ^ Yi, SKM, Steyvers, M., Lee, MD, и Dry, M. (2010). Мудрость толпы в задачах минимального остовного дерева. Труды 32-й ежегодной конференции Общества когнитивной науки. Mahwah, NJ: Lawrence Erlbaum.
  13. ^ Ли, Майкл Д.; Стейверс, Марк; де Янг, Минди; Миллер, Брент Дж. (январь 2012 г.). «Вывод экспертных знаний в задачах ранжирования знаний и прогнозирования». Темы когнитивной науки . 4 (1): 151–163. CiteSeerX 10.1.1.303.822 . doi :10.1111/j.1756-8765.2011.01175.x. PMID  22253187. 
  14. ^ Ли, Майкл Д.; Стейверс, Марк; де Янг, Минди; Миллер, Брент Дж. Карлсон, Л.; Хельшер, К.; Шипли, Т. Ф. (ред.). «Подход на основе моделей к измерению компетентности в ранжировании задач». Труды 33-й ежегодной конференции Общества когнитивной науки . Остин, Техас: Общество когнитивной науки.
  15. ^ Стейверс, Марк; Ли, Майкл Д.; Миллер, Брент Дж.; Хеммер, Пернилле (декабрь 2009 г.). «Мудрость толпы в воспоминании о порядке информации». Достижения в области нейронных систем обработки информации (22). Кембридж, Массачусетс: MIT Press : 1785–1793.
  16. ^ Миллер, Брент Дж.; Хеммер, Пернилле; Стейверс, Майкл Д.; Ли, Майкл Д. (июль 2009 г.). «Мудрость толпы в решении проблем упорядочения». Труды Девятой международной конференции по когнитивному моделированию . Манчестер, Англия: Международная конференция по когнитивному моделированию.
  17. ^ Чжан, С. и Ли, МД, (2010). «Когнитивные модели и мудрость толпы: исследование случая с использованием проблемы бандита». В R. Catrambone и S. Ohlsson (ред.), Труды 32-й ежегодной конференции Общества когнитивной науки , стр. 1118–1123. Остин, Техас: Общество когнитивной науки.
  18. ^ Прелец, Дражен; Сын, Х. Себастьян; Маккой, Джон (2017). «Решение проблемы мудрости толпы с одним вопросом». Nature . 541 (7638): 532–535. Bibcode :2017Natur.541..532P. doi :10.1038/nature21054. PMID  28128245. S2CID  4452604.
  19. ^ ab Prpić, John; Shukla, Prashant P.; Kietzmann, Jan H.; McCarthy, Ian P. (2015-01-01). «Как работать с толпой: развитие капитала толпы с помощью краудсорсинга». Business Horizons . 58 (1): 77–85. arXiv : 1702.04214 . doi : 10.1016/j.bushor.2014.09.005. S2CID  10374568.
  20. ^ Леви, Пьер (1999). Коллективный разум: зарождающийся мир человечества в киберпространстве . Perseus Publishing. ISBN  0738202614.
  21. ^ Franch, F abio (4 октября 2022 г.). «Мудрость толпы». В Ceron, Andrea (ред.). Elgar Encyclopedia of Technology and Politics. Edward Elgar Publishing. стр. 262–267. doi :10.4337/9781800374263.wisdom.crowds.
  22. ^ "Мудрость толпы". Nature . 438 (7066): 281. 2005. Bibcode : 2005Natur.438..281.. doi : 10.1038/438281a . PMID  16292279.
  23. ^ О'Доннелл, Майкл Х. «Судья превозносит мудрость присяжных». Idaho State Journal . Получено 03.04.2017 .
  24. ^ abc Vul, E.; Pashler, H. (2008). «Измерение толпы внутри: вероятностные представления внутри индивидов». Psychological Science . 19 (7): 645–647. CiteSeerX 10.1.1.408.4760 . doi :10.1111/j.1467-9280.2008.02136.x. PMID  18727777. S2CID  44718192. 
  25. ^ Steegen, S; Dewitte, L; Tuerlinckx, F; Vanpaemel, W (2014). «Измерение толпы внутри снова: предварительно зарегистрированное исследование репликации». Frontiers in Psychology . 5 : 786. doi : 10.3389/fpsyg.2014.00786 . PMC 4112915. PMID  25120505 . 
  26. ^ Hourihan, KL; Benjamin, AS (2010). «Меньше — лучше (при выборке из толпы): люди с низкой продолжительностью памяти получают больше пользы от множественных возможностей для оценки». Журнал экспериментальной психологии: обучение, память и познание . 36 (4): 1068–1074. doi :10.1037/a0019694. PMC 2891554. PMID  20565223 . 
  27. ^ Раухут, Х.; Лоренц (2011). «Мудрость толпы в едином уме: как индивидуумы могут моделировать знания различных обществ для принятия лучших решений». Журнал математической психологии . 55 (2): 191–197. doi :10.1016/j.jmp.2010.10.002.
  28. ^ Мюллер-Треде, Дж. (2011). «Повторная выборка суждений: границы». Суждения и принятие решений . 6 (4): 283–294. doi : 10.1017/S1930297500001893 . S2CID  18966323.
  29. ^ ван Долдер, Денни; Ассем, Мартейн Дж. ван ден (2018). «Мудрость внутренней толпы в трех крупных естественных экспериментах». Nature Human Behaviour . 2 (1): 21–26. doi : 10.1038/s41562-017-0247-6. hdl : 1871.1/e9dc3564-2c08-4de7-8a3a-e8e74a8d9fac . ISSN  2397-3374. PMID  30980050. S2CID  21708295. SSRN  3099179.
  30. ^ Herzog, SM; Hertwig, R. (2009). «Мудрость многих в одном уме: улучшение индивидуальных суждений с помощью диалектической самонастройки». Psychological Science . 20 (2): 231–237. doi :10.1111/j.1467-9280.2009.02271.x. hdl : 11858/00-001M-0000-002E-575D-B . PMID  19170937. S2CID  23695566.
  31. ^ Хирт, Э. Р.; Маркман, К. Д. (1995). «Множественное объяснение: стратегия рассмотрения альтернатив для устранения предвзятости суждений». Журнал личности и социальной психологии . 69 (6): 1069–1086. doi : 10.1037/0022-3514.69.6.1069. S2CID  145016943.
  32. ^ Арили, Д.; Ау, В. Т.; Бендер, Р. Х.; Будеску, Д. В.; Диц, К. Б.; Гу, Х.; Зауберман, Г. (2000). «Эффекты усреднения субъективных оценок вероятности между судьями и внутри них». Журнал экспериментальной психологии: прикладная . 6 (2): 130–147. CiteSeerX 10.1.1.153.9813 . doi : 10.1037/1076-898x.6.2.130. PMID  10937317. 
  33. ^ Бенхенда, Мостафа (2011). «Модель обсуждения, основанная на политическом либерализме Ролза». Социальный выбор и благосостояние . 36 : 121–178. doi :10.1007/s00355-010-0469-2. S2CID  9423855. SSRN  1616519.
  34. ^ Маркус Бакингем; Эшли Гудолл. «Заблуждение об обратной связи». Harvard Business Review . №. Март-апрель 2019 г.
  35. ^ abc Ratner, N., Kagan, E., Kumar, P., & Ben-Gal, I. (2023). "Неконтролируемая классификация для неопределенных варьирующихся ответов: алгоритм мудрости толпы (WICRO)" (PDF) . Системы, основанные на знаниях, 272: 110551.{{cite web}}: CS1 maint: несколько имен: список авторов ( ссылка ) CS1 maint: числовые имена: список авторов ( ссылка )
  36. ^ Page, Scott E. (2007). Разница: как сила разнообразия создает лучшие группы, фирмы, школы и общества . Принстон, Нью-Джерси: Princeton University Press. ISBN 978-0-691-13854-1.
  37. ^ Миллер, Б. и Стейверс, М. (в печати). «Мудрость толпы с коммуникацией». В L. Carlson, C. Hölscher, & TF Shipley (ред.), Труды 33-й ежегодной конференции Общества когнитивной науки . Остин, Техас: Общество когнитивной науки.
  38. ^ «Мудрость толпы». randomhouse.com .
  39. ^ ab Ball, Philip. "'Мудрость толпы': мифы и реальность" . Получено 2017-04-02 .
  40. ^ Ганайем, А., Каган, Э., Кумар, П., Равив, Т., Глинн, П. и Бен-Гал, И. (2023). «Неконтролируемая классификация в условиях неопределенности: алгоритм на основе расстояний» (PDF) . Математика, 11(23), 4784.{{cite web}}: CS1 maint: несколько имен: список авторов ( ссылка ) CS1 maint: числовые имена: список авторов ( ссылка )
  41. ^ «Как социальное влияние может подорвать мудрость эффекта толпы». Proc. Natl. Acad. Sci., 2011.
  42. ^ Атанасов, Павел; Рескобер, Филлип; Стоун, Эрик; Свифт, Сэмюэл А.; Серван-Шрайбер, Эмиль; Тетлок, Филипп; Унгар, Лайл; Меллерс, Барбара (2016-04-22). «Извлечение мудрости толпы: рынки прогнозов против опросов прогнозов». Management Science . 63 (3): 691–706. doi :10.1287/mnsc.2015.2374. ISSN  0025-1909.

Внешние ссылки