📈 economics

The Wisdom of the Crowd and Higher-Order Beliefs

تقدم الورقة البحثية "التجميع القائم على متوسط السكان" (PMBA)، وهو إجراء مبتكر يُمكّن الموكل من استنتاج الحالة الحقيقية للعالم بدقة من معتقدات الوكلاء وتوقعاتهم لمتوسط السكان دون الحاجة إلى فهم هيكل المعلومات الأساسي، وهي طريقة متينة نظرياً في ظل فرضيات ضعيفة وتتفوق تجريبياً على الأساليب القائمة.

المؤلفون الأصليون: Yi-Chun Chen, Manuel Mueller-Frank, Mallesh M Pai

نُشر 2026-04-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yi-Chun Chen, Manuel Mueller-Frank, Mallesh M Pai

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحثية بعنوان "حكمة الحشد والاعتقادات من الدرجة الثانية" باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

الفكرة الكبرى: لماذا يخطئ الحشد أحياناً؟

تخيل أنك تحاول تخمين وزن يقطينة عملاقة في معرض ريفي. تطلب من 100 شخص تقديم تخميناتهم.

الطريقة القديمة (الحكمة التقليدية للحشد): تأخذ جميع التخمينات المائة، تجمعها، ثم تقسمها على 100. تقول النظرية إن هذا المتوسط سيكون قريباً جداً من الوزن الحقيقي.
المشكلة: ماذا لو كان الجميع ينظر إلى نفس الصورة السيئة لليقطينة؟ أو ماذا لو كان الجميع يستخدم نفس القاعدة الخاطئة للتقدير؟ في هذه الحالة، سيكون "متوسط" تخميناتهم خاطئاً وبكل ثقة. الحشد يكون حكيماً فقط إذا كانت أخطاؤهم الفردية تلغي بعضها البعض. أما إذا كان لديهم جميعاً نفس النقطة العمياء، فإن الحشد يصبح مجرد مجموعة كبيرة من الناس يرتكبون الخطأ نفسه.

يتساءل مؤلفو هذه الورقة: هل يمكننا إصلاح حكمة الحشد حتى لو لم نكن نعرف لماذا يرتكبون الأخطاء أو كيف حصلوا على معلوماتهم؟

الحل: اسأل "ماذا تعتقد أن الآخرين يعتقدون؟"

يقترح المؤلفون طريقة جديدة تسمى PMBA (التجميع القائم على متوسط المجتمع). وهي تشبه ترقية السؤال الذي تطرحه على الحشد.

بدلاً من مجرد السؤال: "كم وزن اليقطينة؟" (اعتقاد من الدرجة الأولى)، يسألون أيضاً مجموعة فرعية محددة من الناس: "ماذا تعتقد أن متوسط الشخص في الحشد سيخمن؟" (اعتقاد من الدرجة الثانية).

التشبيه السحري: المحقق والخريطة

تخيل محققاً يحاول العثور على كنز مخفي (الحالة الحقيقية).

القرائن (الاعتقادات من الدرجة الأولى): يسأل المحقق 100 من السكان المحليين: "أين الكنز؟". الجميع يشير إلى اتجاهات مختلفة. يأخذ المحقق متوسط الاتجاهات. لكن المحقق لا يعرف الخريطة، لذا فهو لا يعرف ما إذا كان المتوسط يشير إلى الكنز أم إلى مستنقع.
التحول (الاعتقادات من الدرجة الثانية): ثم يسأل المحقق عدداً قليلاً من هؤلاء المحليين: "إذا وقفت في منتصف الحشد ونظرت إلى حيث يشير الجميع، فأين سيشير ذلك المتوسط؟"
الاختراق: من خلال مقارنة ما يعتقده الناس عن المتوسط، مقابل ما هو عليه المتوسط الفعلي، يمكن للمحقق هندسة الخريطة عكسياً من الناحية الرياضية. يمكنه معرفة الموقع الحقيقي للكنز دون أن يرى الخريطة بنفسه أبداً.

كيف يعمل الأمر (خدعة "الانحدار الخطي")

توضح الورقة أن هذه العملية هي في الواقع نسخة متطورة من الانحدار الخطي (أداة رياضية شائعة تُستخدم لإيجاد الأنماط).

المدخلات:
- X (الاعتقاد): "أعتقد أن هناك احتمال 70% أن تكون اليقطينة ثقيلة."
- Y (التوقع): "أعتقد أن متوسط الناس سيقولون أن هناك احتمال 60% أنها ثقيلة."
الارتباط: توضح الرياضيات أن توقعك للحشد (Y) هو مجرد مزيج مرجح لما يعتقده الحشد فعلياً في سيناريوهات مختلفة (ثقيلة مقابل خفيفة).
النتيجة: من خلال إجراء هذه العملية الحسابية على البيانات، يمكن للنظام "حل" السيناريوهات المخفية. يكتشف النظام: "آه، عندما تكون اليقطينة ثقيلة حقاً، يكون متوسط الحشد 80%. وعندما تكون خفيفة، يكون متوسطهم 40%". بمجرد أن يعرف النظام هذه "المتوسطات الحقيقية"، يمكنه النظر إلى متوسط الحشد الحالي ومعرفة السيناريو الواقعي فوراً.

لماذا هذه الطريقة أفضل من الطرق القديمة؟

تقارن الورقة طريقتهم بطريقتين شائعتين أخريين لتجميع المعلومات:

التصويت بالأغلبية: مجرد السؤال "هل هي ثقيلة أم خفيفة؟" وأخذ الإجابة الأكثر شيوعاً. (تفشل إذا كان الحشد مرتبكاً).
"الشعبية المفاجئة" (SP): سؤال الناس عما يعتقدون أن الأغلبية ستقوله، واختيار الإجابة التي كانت أكثر شعبية مما توقع الناس. (تعمل بشكل جيد للأسئلة البسيطة التي تكون إجابتها "نعم/لا"، لكنها تواجه صعوبة عندما تكون هناك خيارات كثيرة، مثل 4 فئات سعرية مختلفة).

ميزة PMBA:

تتعامل مع التعقيد: تعمل حتى لو كانت هناك إجابات عديدة (ليس فقط نعم/لا).
القوة والمتانة: تعمل حتى لو كان الناس مرتبكين بشأن كيفية عمل العالم. توضح الورقة أنه حتى لو كانت لدى الأفراد "اعتقادات خاطئة" (أي أنهم مخطئون بشأن كيفية تفكير الآخرين)، فإن الرياضيات لا تزال تقوم بتوسيط الأخطاء وتجد الحقيقة، طالما أن الأخطاء ليست ضخمة.
إثبات من الواقع: أجرى المؤلفون تجربة حيث خمن الناس فئات أسعار الـ NFTs (الفن الرقمي).
- النتيجة: كانت طريقة PMBA أكثر دقة من التصويت البسيط بالأغلبية، وأكثر دقة من طريقة "الشعبية المفاجئة". لقد نجحت في التنبؤ بفئات الأسعار الحقيقية بشكل أفضل من الطرق الأخرى.

شبكة الأمان ضد "الخطأ في التوصيف"

جزء رئيسي من الورقة هو أنها لا تتطلب أن يكون الناس عباقرة مثاليين.

المخاوف: ماذا لو لم يفهم الناس اللعبة؟ ماذا لو اعتقدوا أن الجميع أذكى أو أغبى مما هم عليه حقاً؟
الحل: تم تصميم الرياضيات لتكون "متينة". فهي تفترض أنه بينما قد يكون الأفراد "مرتبكين" بشأن عقلية الحشد، فإن "متوسط" الارتباك يلغي بعضه البعض. طالما أن "الضجيج" في تفكيرهم ليس أعلى من "الإشارة" الفعلية، فإن الطريقة ستجد الحقيقة.

ملخص

تقترح الورقة خدعة بسيطة ولكنها قوية: لا تسأل الناس فقط عما يعتقدونه؛ بل اسألهم عما يعتقدون أن الآخرين سيعتقدونه.

من خلال الجمع بين هاتين الطبقتين من المعلومات، يمكن للمسؤول (مثل الباحث أو صانع السوق) الكشف عن الحالة الحقيقية للعالم - حتى لو لم تكن يعرف قواعد اللعبة، وحتى لو كان الحشد مرتبكاً، وحتى لو كانت هناك نتائج محتملة عديدة. إنها تحول "حكمة الحشد" من مفهوم هش إلى أداة رياضية مضمونة ومتينة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "حكمة الحشود والمعتقدات من الدرجة الثانية" (The Wisdom of the Crowd and Higher-Order Beliefs) للباحثين تشين، ومولر-فرانك، وباي.

1. بيان المشكلة

تتناول الورقة التحدي الجوهري المتمثل في تجميع المعلومات (Information Aggregation): كيف يمكن لـ "الأصيل" (المجمع) استنتاج الحالة الحقيقية للعالم ( $\omega$ ) من مجموعة من الوكلاء، حيث يمتلك كل منهم إشارات خاصة مشوبة بالضجيج، دون معرفة هيكل المعلومات الأساسي (أي توزيع الإشارات، أو هيكل الارتباط، أو الاحتمال المسبق المشترك).

قصور المعتقدات من الدرجة الأولى: تؤكد الأدبيات الحالية (مثل أرييلي، بابيتشينكو، وسمورودينسكي، 2017) أن معرفة المعتقدات من الدرجة الأولى فقط (الاحتمالات البعدية للوكلاء حول الحالة) غير كافية عموماً لتحديد الحالة الحقيقية، حتى مع وجود عدد لا نهائي من السكان. هذه هي مشكلة تحديد الهوية (Identification Problem): حيث يمكن لعدة حالات أن تولد نفس التوزيع للمعتقدات من الدرجة الأولى.
الفجوة: معظم الطرق الموجودة (مثل أسواق التنبؤ أو طريقة "الشائع بشكل مثير للدهشة" - Surprisingly Popular) تتطلب إما افتراضات قوية (مثل الحالات الثنائية، أو الإشارات المستقلة) أو تطلب بيانات معقدة وغالباً ما تكون غير قابلة للتنفيذ (مثل المعتقدات المشروطة بالحالة أو الاحتمالات الشرطية للإشارات).
الهدف: تطوير إجراء قوي لتجميع المعلومات لتحديد الحالة الحقيقية باستخدام:
1. معتقدات الوكلاء من الدرجة الأولى ( $\mu_i$ ).
2. توقعات الوكلاء لـ متوسط معتقدات السكان (المعتقدات من الدرجة الثانية).
3. حد أدنى من المعرفة بهيكل المعلومات (لا حاجة لمعرفة الاحتمال المسبق أو توزيع الإشارات).

2. المنهجية: التجميع القائم على متوسط السكان (PMBA)

يقترح المؤلفون إجراءً جديداً يسمى التجميع القائم على متوسط السكان (Population-Mean-Based Aggregation - PMBA). وتعتمد الفكرة الجوهرية على قانون التوقعات المتكررة (Law of Iterated Expectations).

أ. الآلية الجوهرية

لتكن $\Omega = \{\omega_1, \dots, \omega_L\}$ هي مجموعة الحالات $L$ الممكنة.

استقاء الدرجة الأولى: يقوم "الأصيل" بجمع متجه المعتقد $\mu_i$ من كل وكيل $i$ . يقترب المتوسط التجريبي $\hat{\mu} = \frac{1}{n}\sum \mu_i$ من متوسط السكان الحقيقي المرتبط بالحالة $\bar{\mu}(\omega)$ .
مشكلة تحديد الهوية: يلاحظ "الأصيل" $\hat{\mu}$ ولكنه لا يعرف الخريطة التي تربط بين الحالات $\omega$ ومتوسطات السكان المتوقعة $\bar{\mu}(\omega)$ .
استقاء الدرجة الثانية: يختار "الأصيل" $L$ $L$ من الوكلاء (أو $L$ $L$ من مجموعات الوكلاء) ويطلب منهم توقعهم لمتوسط معتقدات السكان.
- ليكن $\alpha_i = E[\bar{\mu} | s_i]$ هو توقع الوكيل $i$ لمتوسط السكان.
- وفقاً لقانون التوقعات المتكررة، فإن $\alpha_i$ هو متوسط مرجح لمتوسطات السكان المرتبطة بالحالة، حيث الأوزان هي معتقدات الوكيل نفسه من الدرجة الأولى:
  $\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$
نظام المعادلات: إذا جمع "الأصيل" هذه التقارير من $L$ من الوكلاء الذين يمتلكون متجهات معتقدات مستقلة خطياً، فإنهم يشكلون نظاماً من المعادلات الخطية:
$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$
حيث $\mathbf{M}$ هي مصفوفة المعتقدات من الدرجة الأولى، و $\mathbf{\bar{\mu}}$ هو متجه متوسطات السكان غير المعروفة المرتبطة بالحالة.
الانعكاس (Inversion): بما أن $\mathbf{M}$ قابلة للعكس (تحت شروط رتبة محددة)، يمكن لـ "الأصيل" حل المعادلة لإيجاد $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$ .
تحديد الحالة: يقارن "الأصيل" المتوسط التجريبي $\hat{\mu}$ بمتوسطات السكان المستردة $\bar{\mu}(\omega)$ . الحالة الحقيقية هي $\omega$ التي يكون عندها $\bar{\mu}(\omega)$ هو الأقرب إلى $\hat{\mu}$ .

ب. المتانة والخطأ في التوصيف (Misspecification)

توسع الورقة النموذج للتعامل مع الخطأ في التوصيف، حيث قد يمتلك الوكلاء معتقدات خاطئة حول هيكل المعلومات (على سبيل المثال، سوء فهم لكيفية تشكيل الآخرين لمعتقداتهم).

الـ PMBA التقريبي: يتم إعادة تفسير الإجراء كمسألة انحدار خطي (Linear Regression).
- المتغير التابع: معتقد الوكيل من الدرجة الثانية ( $\alpha_i$ ).
- المتغيرات المستقلة: معتقدات الوكيل من الدرجة الأولى ( $\mu_i$ ).
- المعاملات: متوسطات السكان غير المعروفة المرتبطة بالحالة.
التعامل مع الخطأ في التوصيف: حتى لو كان لدى الوكلاء رؤى متحيزة لمتوسط السكان (ضجيج إضافي $\zeta$ )، فإن الإجراء يظل صالحاً طالما أن التحيز صغير بالنسبة للفرق بين متوسطات الحالات الحقيقية. يضمن قانون الأعداد الكبيرة أن المتوسط عبر المجموعات الكبيرة يلغي أخطاء التوصيف الفردية.

3. المساهمات الرئيسية

تحديد الهوية العام دون هيكل: يعد PMBA أول إجراء يضمن تحديد الحالة لعدد حالات $L > 2$ دون اشتراط معرفة هيكل الإشارة، أو الارتباط، أو الاحتمال المسبق المشترك. إنه يتغلب على فشل تحديد الهوية الذي تعاني منه المعتقدات من الدرجة الأولى وحدها.
المتانة تجاه الخطأ في التوصيف: يثبت المؤلفون أن الإجراء يعمل حتى عندما يكون الوكلاء "مخطئين" بشأن هيكل المعلومات الإجمالي، طالما أن الخطأ الإجمالي ليس كبيراً جداً. وهذا يجعل الطريقة قابلة للتطبيق في السياقات الواقعية حيث يمتلك الوكلاء نماذج معرفية محدودة عن الحشد.
تفسير الانحدار الخطي: من خلال صياغة PMBA كمسألة انحدار خطي، يفتح المؤلفون المجال لاستخدام أدوات إحصائية تمتد لقرن من الزمان (فترات الثقة، اختبار الفرضيات، حدود الخطأ في العينات المحدودة). وهذا يحول عملية انعكاس المصفوفة النظرية إلى أداة إحصائية عملية وقابلة للتنفيذ.
ضمانات العينة المحدودة: تستنتج الورقة حدود الخطأ غير التقاربية، موضحة أن خطأ التقدير ينخفض بمعدل $O(1/\sqrt{n})$ القياسي، اعتماداً على تنوع المعتقدات ومستوى الضجيج.
التحقق التجريبي: أجرى المؤلفون تجربة مبتكرة تتضمن التنبؤ بأسعار الـ NFT (سوق معقد وغير مؤكد).
- النتيجة: يتفوق PMBA بشكل كبير على التصويت بالأغلبية (القائم على الدرجة الأولى) وطريقة "الشائع بشكل مثرق للدهشة" (SP).
- الأهمية: تعاني طريقة SP مع أكثر من حالتين (القصور الثنائي)، بينما يتعامل PMBA بنجاح مع تنبؤات متعددة الحالات (4 نطاقات) بدقة أعلى.

4. النتائج

نظرية:
- النظرية 1: تحت شروط انتظام ضعيفة (ارتباط محدود، رتبة كاملة للمعتقدات)، يستعيد PMBA الحالة الحقيقية باحتمالية معينة مع اقتراب $n \to \infty$ .
- النظرية 3: يستعيد PMBA الحالة الحقيقية بشكل شبه مؤكد حتى في ظل المعتقدات الخاطئة في التوصيف، بشرما كان التحيز في توقعات الوكلاء أصغر من المسافة بين متوسطات السكان الحقيقية المرتبطة بالحالة.
- التقرير 1: يوفر ضمانات العينة المحدودة، موضحاً حجم العينة $n$ المطلوب لتحديد الحالة باحتمالية $1-\delta$ .
التجربة (تجربة الـ NFT):
- الإعداد: تنبأ 199 مشاركاً بنطاقات أسعار الـ NFT (4 حالات) وأبلغوا عن توقعاتهم لمتوسط تنبؤات المجموعة.
- الأداء:
  - متوسط الخطأ المطلق (MAE) لـ PMBA: 1.25
  - متوسط الخطأ المطلق (MAE) للتصويت بالأغلبية (الدرجة الأولى): 1.50
  - متوسط الخطأ المطلق (MAE) للتصويت بالأغلبية (الدرجة الثانية): 1.40
  - طريقة "الشائع بشكل مثير للدهشة" (SP): واجهت صعوبة في التمييز بين الحالات بفعالية في إعداد الـ 4 حالات؛ وغالباً ما اختُزلت إلى تمييزات ثنائية.
- الدلالة الإحصائية: تفوق PMBA على التصويت بالأغلبية من الدرجة الأولى ذو دلالة إحصائية ( $p < 0.05$ ).

5. الأهمية والآثار المترتبة

القابلية للتطبيق العملي: على عكس النماذج النظرية التي تتطلب تقارير معقدة مشروطة بالحالة (والتي يصعب على البشر حسابها)، يطلب PMBA فقط المعتقدات و"ماذا تعتقد أن متوسط الناس يعتقد؟" — وهي أسئلة يسهل استقاؤها في الاستطلاعات.
ما وراء الحالات الثنائية: العديد من آليات "حكمة الحشود" الحالية (مثل SP) تقتصر على الخيارات الثنائية. يوسع PMBA هذا ليشمل أي عدد محدد من الحالات، مما يجعله قابلاً للتطبيق في التنبؤات الاقتصادية والسياسية والعلمية المعقدة.
المتانة تجاه الخطأ البشري: يسمح اعتماد الإجراء على المعتقدات من الدرجة الثانية بتصحيح التحيزات المعرفية الفردية والأخطاء في التوصيف، مما يؤدي فعلياً إلى "توسيط" الضجيج في التفكير البشري.
التوافق مع الحوافز: تناقش الورقة كيفية تحفيز الإبلاغ الصادق باستخدام آليات "مصل الحقيقة البايزي" (Bayesian Truth Serum)، مما يربط إجراء التجميع بقواعد الدفع بناءً على الحالة المستردة ومتوسطات السكان.

باخت-صار، يوضح تشين، ومولر-فرانك، وباي أنه من خلال الاستفادة من المعتقدات من الدرجة الثانية (توقعات متوسط الحشد)، يمكن لـ "الأصيل" تجميع المعلومات المشتتة بالكامل وتحديد الحالة الحقيقية للعالم، حتى دون معرفة هيكل المعلومات الأساسي وحتى عندما يكون الوكلاء غير مطلعين بشكل كامل على سلوك الحشد.