📈 economics

Nondistortionary belief elicitation

यह शोध पत्र उन आवश्यक और पर्याप्त शर्तों को स्थापित करता है जिनके तहत एक शोधकर्ता किसी पूर्व विकल्प को विकृत किए बिना एक निर्णय लेने वाले के विश्वासों को सत्यता से प्राप्त कर सकता है, जो बेकर-डेग्रूट-मार्शक तंत्र के विभिन्न रूपों का उपयोग करके तीन मानक समस्या वर्गों में प्रोत्साहन योग्य प्रश्नों का पूर्णतः लक्षण वर्णन करता है।

मूल लेखक: Marcin Pęski, Colin Stewart

प्रकाशित 2026-04-03

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marcin Pęski, Colin Stewart

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शिक्षक हैं जो अपने छात्रों को एक कठिन गणित की परीक्षा दे रहे हैं। आप दो चीजें जानना चाहते हैं:

उन्होंने वास्तव में कैसा प्रदर्शन किया? (उनका चुना हुआ विकल्प)।
अपने उत्तरों के प्रति वे कितने आश्वस्त हैं? (उनका विश्वास)।

समस्या यह है कि यदि आप "आत्मविश्वास" के लिए बोनस देने का वादा करते हैं, तो छात्र अजीब व्यवहार करने लग सकते हैं। वे जानबूझकर सवालों के गलत जवाब दे सकते हैं ताकि वे कह सकें, "मुझे पता था कि मैं गलत हूँ!" और इस ईमानदारी के लिए बोनस प्राप्त कर सकें। यह आपके परीक्षण के परिणामों को खराब कर देता है क्योंकि उनके चुनाव अब सही उत्तर पाने के बारे में नहीं रह जाते; वे बोनस प्रणाली का लाभ उठाने (गेमिंग करने) के बारे में हो जाते हैं।

मार्किन पेस्की (Marcin Pęski) और कोलिन स्टीवर्ट (Colin Stewart) का यह शोध पत्र एक सरल लेकिन गहरा प्रश्न पूछता है: हम लोगों से उनके आत्मविश्वास के बारे में कैसे पूछ सकते हैं बिना उन्हें उनके उत्तर बदलने के लिए बहलाए-फुसलाए?

मुख्य समस्या: "दोधारी तलवार"

शोधकर्ता को एक शेफ (रसोइया) और विषय को एक डाइनर (भोजन करने वाला) के रूप में सोचें।

भोजन (निर्णय): डाइनर एक व्यंजन चुनता है (विकल्प A)।
समीक्षा (विश्वास): भोजन करने के बाद, शेफ पूछता है, "इसकी कितनी संभावना है कि यह उपलब्ध सबसे अच्छा व्यंजन था?"

यदि शेफ कहता है, "अगर आप मुझे बताते हैं कि आप 90% आश्वस्त थे कि यह सबसे अच्छा था, तो मैं आपको एक बड़ा टिप दूँगा," तो डाइनर जानबूझकर सबसे खराब व्यंजन ऑर्डर करना शुरू कर सकता है। क्यों? क्योंकि यदि वह सबसे खराब व्यंजन ऑर्डर करता है, तो वह ईमानदारी से कह सकता है, "मुझे 90% यकीन है कि यह बहुत बुरा है!" और फिर भी बड़ा टिप प्राप्त कर सकता है।

शोधकर्ता एक ऐसी प्रणाली चाहते हैं जहाँ डाइनर हमेशा सबसे अच्छा व्यंजन चुनने के लिए प्रेरित हो और इस बारे में सच बोलने के लिए भी कि वह कितना आश्वस्त है, बिना एक दूसरे प्रोत्साहन के दूसरे को बिगाड़े।

जादुई उपकरण: "BDM" तंत्र

यह शोध पत्र एक चतुर ट्रिक का सुझाव देता है जिसे बेकर-डेग्लूट-मार्शैक (BDM) तंत्र कहा जाता है।

एक गेम शो की कल्पना करें। आप एक व्यंजन चुनते हैं। फिर, एक रैंडम नंबर जनरेटर 0 और 100 के बीच एक संख्या चुनता है।

यदि आप कहते हैं कि आप अपने व्यंजन के बारे में 80% आश्वस्त हैं, और रैंडम नंबर 50 है, तो आप पुरस्कार जीतते हैं।
यदि रैंडम नंबर 90 है, तो आप हार जाते हैं।

जादू यह है कि इस विशिष्ट खेल में जीतने की अपनी संभावनाओं को अधिकतम करने का एकमात्र तरीका यह है कि आप वही सटीक प्रतिशत बताएं जो आप वास्तव में महसूस करते हैं। यदि आप झूठ बोलते हैं और 80% महसूस करने के बावजूद 90% कहते हैं, तो आप कम बार जीत पाएंगे। यदि आप 60% कहते हैं, तो भी आप कम बार जीतेंगे।

शोध पत्र का बड़ा ब्रेकथ्रू यह पता लगाना है कि कब यह गेम शो वाली ट्रिक मूल निर्णय (सबसे अच्छा व्यंजन चुनना) को बिगाड़े बिना काम करती है।

खेल के तीन नियम

लेखकों ने पाया कि यह ट्रिक काम करेगी या नहीं, यह पूरी तरह से निर्णय समस्या के "आकार" पर निर्भर करता है। उन्होंने तीन परिदृश्य (scenarios) पहचाने:

1. "ट्री" (Tree) परिदृश्य (सीढ़ी)

एक सीढ़ी की कल्पना करें जहाँ आप केवल एक बार में एक पायदान ऊपर या नीचे जा सकते हैं। यह तब होता है जब विकल्प क्रमबद्ध होते हैं (जैसे तापमान का अनुमान लगाना: 60, 61, 62...)।

नियम: आप आत्मविश्वास के बारे में पूछ सकते हैं, लेकिन "क्या गिनती में आता है" इसके नियम सीढ़ी पर ऊपर बढ़ते समय थोड़ा बदल सकते हैं। आपको पूरी सीढ़ी के लिए एक ही, पूर्ण नियम की आवश्यकता नहीं है।
उपमा: यह एक पहाड़ चढ़ने जैसा है। आपके पास नीचे के आधे हिस्से के लिए एक अलग नक्शा और ऊपर के आधे हिस्से के लिए एक अलग नक्शा हो सकता है, जब तक कि वे वहां मिलें जहां वे मिलते हैं।

2. "वेब" (Web) परिदृश्य (पूर्ण ग्राफ)

एक बहुविकल्पीय प्रश्नोत्तरी की कल्पना करें जहाँ कोई भी उत्तर सही हो सकता है, और कोई भी गलत। प्रत्येक विकल्प दूसरे से जुड़ा हुआ है।

नियम: यह सबसे सख्त परिदृश्य है। बिना चीज़ों को बिगाड़े आत्मविश्वास के बारे में पूछने के लिए, आपका प्रश्न सीधे स्कोर से जुड़ा होना चाहिए।
क्या काम करता है: "आपका अपेक्षित स्कोर क्या है?" (जैसे, "मुझे लगता है कि मैं 8/10 लाऊंगा")।
क्या विफल होता है: "इसकी कितनी संभावना है कि मुझे कम से कम 8/10 मिलेंगे?"
क्यों? यदि आप एक थ्रेशोल्ड (सीमा) के बारे में पूछते हैं (जैसे, "A ग्रेड पाना"), तो एक छात्र उन उत्तरों को चुनने की कोशिश कर सकता है जो उन्हें उस रेखा से बस थोड़ा सा ऊपर रखते हैं, बजाय इसके कि वे वे उत्तर चुनें जो उन्हें वास्तव में सही लगते हैं।

3. "बंडल" (Bundle) परिदृश्य (उत्पाद समस्याएँ)

10 अलग-अलग सेक्शन वाले एक टेस्ट की कल्पना करें। आपका अंतिम ग्रेड सभी सेक्शन का योग है।

नियम: आप आत्मविश्वास के बारे में पूछ सकते हैं, लेकिन आपको सावधान रहना होगा कि सेक्शन को कैसे जोड़ा जाता है।
क्या काम करता है: "आपको पहले आधे हिस्से की तुलना में दूसरे आधे हिस्से में कितना बेहतर प्रदर्शन करने का विश्वास है?" (यह एक भारित योग/weighted sum है)।
क्या विफल होता है: "इसकी क्या संभावना है कि आपका कुल स्कोर 80 से ऊपर है?"
उपमा: यदि आप कुल स्कोर के बारे में पूछते हैं, तो एक छात्र एक विशिष्ट कुल स्कोर तक पहुँचने के लिए अपने उत्तरों को "संतुलित" (कुछ गलत करना) करने की कोशिश कर सकता है। लेकिन यदि आप दो भागों के बीच के अंतर के बारे में पूछते हैं, तो प्रोत्साहन स्पष्ट रहते हैं।

मुख्य निष्कर्ष

यह शोध पत्र शोधकर्ताओं को प्रयोग डिजाइन करने के लिए एक "चीट शीट" देता है:

थ्रेशोल्ड (सीमाओं) के बारे में न पूछें: "क्या आप पास हुए?" या "क्या आप शीर्ष 10% में हैं?" पूछने से आमतौर पर खराब प्रोत्साहन पैदा होते हैं। लोग उस विशिष्ट रेखा को हिट करने के लिए अपना व्यवहार बदल देंगे।
औसत के बारे में पूछें: "आपका अपेक्षित स्कोर क्या है?" या "आपको कितना पछतावा महसूस हो रहा है?" पूछना आमतौर पर सुरक्षित है। ये प्रश्न लक्ष्य के साथ पूरी तरह मेल खाते हैं।
कनेक्शन की जाँच करें: यदि आपके विकल्प आपस में जुड़े हुए हैं (जैसे बहुविकल्पीय प्रश्न), तो आपको बहुत सख्त होना होगा। यदि आपके विकल्प रैखिक (linear) हैं (जैसे एक सीढ़ी), तो आपके पास अधिक स्वतंत्रता है।

संक्षेप में

लेखकों ने एक गणितीय "सुरक्षा जाल" बनाया है। उन्होंने दिखाया कि यदि आप यह जानना चाहते हैं कि लोग क्या सोचते हैं बिना यह बदले कि वे क्या करते हैं, तो आपको सही प्रकार का प्रश्न पूछना होगा।

खराब प्रश्न: "क्या आप सुनिश्चित हैं कि आप पास हो गए?" (सिस्टम को गेम करने के लिए प्रोत्साहित करता है)।
अच्छा प्रश्न: "आप कितना स्कोर करने की उम्मीद करते हैं?" (ईमानदारी और अपना सर्वश्रेष्ठ करने के लिए प्रोत्साहित करता है)।

इस विशिष्ट "BDM" तंत्र का उपयोग करके और उनके नियमों का पालन करके, शोधकर्ता अंततः ज्ञान के परीक्षण के बजाय रणनीति के खेल में बदले बिना, आत्मविश्वास के बारे में ईमानदार उत्तर प्राप्त कर सकते हैं।

यहाँ मार्किन पेन्स्की (Marcin Pęski) और कोलिन स्टुअर्ट (Colin Stewart) के शोध पत्र "नॉन-डिस्टॉर्शनरी बिलीफ एलिसिटेशन" (Nondistortionary Belief Elicitation) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र प्रयोगात्मक अर्थशास्त्र (experimental economics) और निर्णय सिद्धांत (decision theory) की एक मौलिक चुनौती को संबोधित करता है: एक व्यक्ति द्वारा किए गए चुनाव के बारे में उसके विश्वासों (beliefs) को बिना उस मूल चुनाव के प्रोत्साहन (incentives) को विकृत किए, कैसे प्राप्त किया जाए?

संदर्भ: शोधकर्ता अक्सर विषयों से उनके अपने प्रदर्शन के संबंध में विश्वास रिपोर्ट करने के लिए कहते हैं (जैसे, "इस बात की क्या संभावना है कि आपका उत्तर सही है?" या "आपका अपेक्षित स्कोर क्या है?")। सत्यनिष्ठा सुनिश्चित करने के लिए, शोधकर्ता आमतौर पर प्रोत्साहन-संगत तंत्रों (जैसे बेकर-डेग्रूट-मार्शक (BDM) तंत्र या क्वाड्रेटिक स्कोरिंग रूल्स) का उपयोग करते हैं।
संघर्ष: यदि विश्वास प्राप्ति (belief elicitation) तंत्र रिपोर्ट किए गए विश्वास के आधार पर विषय को पुरस्कृत करता है, और वह विश्वास मूल कार्य के कार्य (action) से जुड़ा हुआ है, तो विषय निर्णय समस्या के अपेक्षित प्रतिफल (payoff) और विश्वास प्राप्ति चरण के संयुक्त अपेक्षित प्रतिफल को अधिकतम करने के लिए अपने प्रारंभिक कार्य को बदल सकता है, बजाय इसके कि वह केवल निर्णय समस्या के प्रतिफल को अधिकतम करे।
लक्ष्य: लेखक उन आवश्यक और पर्याप्त शर्तों की पहचान करना चाहते हैं जिनके तहत एक शोधकर्ता एक भुगतान योजना (payment scheme) तैयार कर सकता है जो:
1. विषय को एक विशिष्ट फलन $X(a, \theta)$ के व्यक्तिपरक प्रत्याशा (subjective expectation) को सत्यता से रिपोर्ट करने के लिए प्रोत्साहित करे।
2. मूल निर्णय समस्या में इष्टतम कार्यों (optimal actions) के सेट को अपरिवर्तित रखे (अर्थात, विश्वास प्राप्ति नॉन-डिस्टॉर्शनरी हो)।

2. कार्यप्रणाली और मॉडल (Methodology and Model)

लेखक एक निर्णय समस्या को विश्वास प्राप्ति चरण के साथ जोड़कर एक औपचारिक मॉडल का निर्माण करते हैं।

निर्णय समस्या (Decision Problem): इसे $(\Theta, A, u)$ टुपल द्वारा परिभाषित किया गया है, जहाँ $\Theta$ अवस्थाओं (states) का एक परिमित सेट है, $A$ कार्यों (actions) का एक परिमित सेट है, और $u: A \to \mathbb{R}^\Theta$ उपयोगिता फलन (utility function) है।
विश्वास प्राप्ति (Belief Elicitation): एक कार्य $a$ चुनने के बाद, विषय एक संख्या $r$ रिपोर्ट करता है जो प्रश्न प्रोफाइल $X: A \to \mathbb{R}^\Theta$ के व्यक्तिपरक प्रत्याशा $E_p[X(a; \theta)]$ को दर्शाने के लिए होती है।
प्रोत्साहन-संगतता (Incentivizability): एक प्रश्न $X$ इन्सेंटिवाइज़ेबल (incentivizable) है यदि एक एलिसिटेशन विधि $V$ मौजूद है जिससे संयुक्त समस्या (अधिकतम $E_p[V]$ ) में इष्टतम कार्यों का सेट मूल समस्या (अधिकतम $E_p[u]$ ) में इष्टतम कार्यों के सेट के समान है, और रिपोर्ट $r$ के लिए सत्यतापूर्ण रिपोर्टिंग एकमात्र इष्टतम रणनीति है।
मुख्य अवधारणा: एडजसेंसी ग्राफ (Adjacency Graph): लेखक निर्णय समस्या के एडजसेंसी ग्राफ को पेश करते हैं। दो कार्य $a$ और $b$ एड्जसेंट (adjacent) कहलाते हैं यदि एक विश्वास $p$ मौजूद है जहाँ $\{a, b\}$ अद्वितीय इष्टतम कार्य हैं। इस ग्राफ की संरचना (वृक्ष/ट्री, चक्र/साइकिल, पूर्ण ग्राफ) इन्सेंटिवाइज़ेबल प्रश्नों पर नियंत्रण रखती है।
मुख्य अवधारणा: संरेखण (Alignment): एक प्रश्न $X$ , उपयोगिता $u$ के साथ एलाइन्ड (aligned) है यदि $X(a)$ , $u(a)$ का एक अफाइन ट्रांसफॉर्मेशन (affine transformation) है और उसमें एक स्टेट-डिपेंडेंट कांस्टेंट (state-dependent constant) जुड़ा है। विशेष रूप से, $X(a) \sim u(a) + d(\theta)$ ।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

यह शोध पत्र उनके एडजसेंसी ग्राफ की संरचना के आधार पर तीन कैनोनिकल वर्गों में से तीन श्रेणियों के लिए इन्सेंटिवाइज़ेबल प्रश्नों का पूर्ण वर्गीकरण प्रदान करता है।

A. सामान्य आवश्यक शर्त: एडजसेंसी लेम्मा (The Adjacency Lemma)

लेखक किसी भी इन्सेंटिवाइज़ेबल प्रश्न के लिए एक मौलिक आवश्यक शर्त निकालते हैं।

लेम्मा 1 (एडजसेंसी लेम्मा): यदि $X$ इन्सेंटिवाइज़ेबल है, तो प्रत्येक जोड़े के लिए जो आपस में एडजसेंट (adjacent) कार्य $a$ और $b$ हैं, प्रश्न $X$ को $u$ के साथ $\{a, b\}$ पर एलाइन्ड (aligned) होना चाहिए।
गणितीय रूप से, एडजसेंट $a, b$ के लिए, स्केलर $\rho, \sigma$ मौजूद हैं कि $\bar{X}(b) = \rho \Delta^b_a + \sigma \bar{X}(a)$ , जहाँ $\Delta^b_a$ पे-ऑफ डिफरेंस वेक्टर है और $\bar{v}$ शून्य में योग करने वाले हाइपरप्लेन पर वेक्टर $v$ का प्रोजेक्शन है।
इसका तात्पर्य यह है कि प्रश्न के मूल्यों और उपयोगिता के मूल्यों के बीच का संबंध सभी "इंडिफरेंस पॉइंट्स" (indifference points) के बीच सुसंगत होना चाहिए।

B. समस्या की संरचना द्वारा लक्षण वर्णन (Characterization by Problem Structure)

लेखक एडजसेंसी ग्राफ के आधार पर निर्णय समस्याओं को तीन प्रकारों में वर्गीकृत करते हैं और प्रत्येक के लिए विशिष्ट शर्तें प्रदान करते हैं:

1. एडजसेंसी ट्री (जैसे, मोनोटोन समस्याएं, क्रमबद्ध अवस्थाएं)

संरचना: एडजसेंसी ग्राफ में कोई चक्र (cycle) नहीं होता है (एक ट्री/वृक्ष)।
परिणाम (थ्योरम 1): एक प्रश्न इन्सेंटिवाइज़ेबल है यदि और केवल यदि वह $u$ के साथ पीसवाइज एलाइन्ड (piecewise aligned) है।
निहितार्थ: एलाइनमेंट पैरामीटर्स (स्केलिंग और शिफ्टिंग) अलग-अलग एडजसेंट कार्यों के जोड़ों के बीच भिन्न हो सकते हैं। शोधकर्ता को एक एकल वैश्विक एलाइनमेंट की आवश्यकता नहीं है; ट्री के माध्यम से स्थानीय निरंतरता (local consistency) पर्याप्त है।

2. पूर्ण एडजसेंसी (जैसे, मल्टीपल-चॉइस प्रश्न, मैचिंग समस्याएं)

संरचना: प्रत्येक जोड़ी एडजसेंट है (एक पूर्ण ग्राफ)। यह तब होता है जब विषय एक अवस्था का अनुमान लगाता है और केवल सही होने पर ही पुरस्कृत होता है।
परिणाम (थ्योरम 2): हल्के 'रिचनेस असाम्पशन्स' (पे-ऑफ वेक्टर्स की लीनियर इंडिपेंडेंस) के तहत, एक प्रश्न इन्सेंटिवाइज़ेबल है यदि और केवल यदि वह $u$ के साथ ग्लोबली एलाइन्ड (globally aligned) है।
निहितार्थ: इन अत्यधिक जुड़े हुए मामलों में, बाधाएं बहुत सख्त हैं। जैसे कि "आपके उत्तर के सही होने की संभावना क्या है?" (जो जटिल सेटिंग्स में अक्सर एलाइन्ड नहीं होता) जैसे प्रश्न आमतौर पर इन्सेंटिवाइज़ेबल नहीं होते हैं। हालांकि, "अपेक्षित पछतावा" (Expected Regret) या "अपेक्षित पे-ऑफ" (Expected Payoff) जैसे प्रश्न इन्सेंटिवाइज़ेबल हैं।

3. प्रोडक्ट प्रॉब्लम्स (जैसे, मल्टी-क्वेश्चन टेस्ट, अनुक्रमिक कार्य)

संरचना: निर्णय समस्या में $I$ स्वतंत्र कार्य शामिल हैं। एडजसेंसी ग्राफ व्यक्तिगत कार्यों के ग्राफ का उत्पाद (product) है। दो कार्य तभी एडजसेंट होते हैं जब वे ठीक एक कार्य में भिन्न होते हैं।
परिणाम (थ्योरम 3): एक प्रश्न इन्सेंटिवाइज़ेबल है यदि और केवल यदि वह वेटेड एलाइन्ड (weighted aligned) है।
परिभाषा: $X$ , व्यक्तिगत कार्यों के उपयोगिता के वेटेड सम (weighted sum) का एक अफाइन ट्रांसफॉर्मेशन है: $X(a) \sim d(\theta) + \sum \tau_i u_i(a_i, \theta_i)$ ।
निहितार्थ: यह ग्लोबल एलाइनमेंट की तुलना में अधिक लचीलापन प्रदान करता है। उदाहरण के लिए, एक शोधकर्ता एक टेस्ट के दो हिस्सों के बीच प्रदर्शन के अंतर (जहाँ $\tau_i$ के चिह्न विपरीत हैं) के बारे में प्रश्न को इन्सेंटिवाइज़ कर सकता है, भले ही यह कुल स्कोर उपयोगिता के साथ एलाइन्ड न हो। हालांकि, थ्रेशोल्ड (सीमा) के ऊपर जाने की संभावना के बारे में प्रश्न (जैसे, "क्या मेरा स्कोर > 50 है?") आमतौर पर इन्सेंटिवाइज़ेबल नहीं होते क्योंकि वे नॉन-लीनियर और वेटेड एलाइन्ड नहीं होते।

C. मैकेनिज्म निर्माण (Mechanism Construction)

सभी इन्सेंटिवाइज़ेबल प्रश्नों के लिए, लेखक बेकर-डेग्रूट-मार्शक (BDM) के वेरिएंट्स का उपयोग करके भुगतान योजना बनाने का तरीका दिखाते हैं।

इस तंत्र में प्रश्न को $[0,1]$ अंतराल पर सामान्य बनाना और विषय की रिपोर्ट की तुलना एक रैंडम ड्रा से करना शामिल है।
महत्वपूर्ण रूप से, लेखक दिखाते हैं कि मूल निर्णय समस्या के पे-ऑफ को विश्वास प्राप्ति के पे-ऑफ में जोड़ने से (या वेट्स को समायोजित करने से), कार्य चयन के लिए प्रोत्साहन अपरिवर्तित रहता है।

4. महत्व और व्यावहारिक निहितार्थ (Significance and Practical Implications)

विकृति के द्वंद्व का समाधान (Resolving the Distortion Dilemma): यह शोध पत्र प्रयोगकर्ताओं के लिए एक कठोर "चेकलिस्ट" प्रदान करता है। अपना विश्वास प्राप्ति कार्य (belief elicitation task) डिजाइन करने से पहले, शोधकर्ता यह निर्धारित कर सकते हैं कि क्या उनका विशिष्ट प्रश्न (जैसे, आत्मविश्वास, पछतावा, सफलता की संभावना) मुख्य कार्य को भ्रष्ट किए बिना इन्सेंटिवाइज़ किया जा सकता है।
सामान्य प्रथाओं की आलोचना: लेखक साहित्य में उपयोग किए जाने वाले कई मानक प्रश्नों (जैसे, मल्टीपल-चॉइस टेस्ट में "आपके सही होने की संभावना क्या है?" या "मेरा स्कोर माध्य से ऊपर होने की संभावना क्या है?") को जटिल सेटिंग्स में इन्सेंटिवाइज़ करने योग्य नहीं बताते हैं। इन प्रश्नों के लिए BDM या क्वाड्रेटिक स्कोरिंग रूल्स का उपयोग करने से छिपे हुए विकृत प्रभाव पैदा होते हैं जहाँ विषय अपने विश्वास रिपोर्टों में हेरफेर करने के लिए जानबूझकर उप-इष्टतम (suboptimal) कार्य चुन सकते हैं।
वैकल्पिक उपाय: शोध पत्र सुझाव देता है कि शोधकर्ताओं को इन्सेंटिवाइज़ करने योग्य मेट्रिक्स की ओर बढ़ना चाहिए, जैसे:
- अपेक्षित पछतावा (Expected Regret): हमेशा इन्सेंटिवाइज़ करने योग्य।
- अपेक्षित पे-ऑफ (Expected Payoff): यदि उपयोगिता के साथ एलाइन्ड हो तो इन्सेंटिवाइज़ करने योग्य।
- वेटेड डिफरेंस (Weighted Differences): प्रोडक्ट प्रॉब्लम्स में इन्सेंटिवाइज़ करने योग्य (जैसे, समय के साथ सुधार)।
सैद्धांतिक प्रगति: यह कार्य मैकेनिज्म डिज़ाइन (एलिसिटेशन) और निर्णय सिद्धांत (ऑप्टिमलिटी) के बीच के अंतर को पाटता है, जो एक्शन-डिपेंडेंट बिलीफ एलिसिटेशन में इन्सेंटिव कम्पैटिबिलिटी का विश्लेषण करने के लिए एक संरचनात्मक उपकरण के रूप में "एडजसेंसी ग्राफ" की अवधारणा पेश करता है।

5. निष्कर्ष (Conclusion)

पेन्की और स्टुअर्ट स्थापित करते हैं कि नॉन-डिस्टॉर्शनरी बिलीफ एलिसिटेशन केवल प्रश्नों के एक विशिष्ट वर्ग के लिए ही संभव है, जो निर्णय समस्या की ज्यामिति द्वारा निर्धारित होता है। जबकि अपेक्षित उपयोगिता या पछतावे के बारे में सरल प्रश्न हमेशा सुरक्षित होते हैं, थ्रेशोल्ड या शुद्धता की संभावनाओं के बारे में जटिल प्रश्न अक्सर व्यवहार को विकृत करते हैं। यह शोध पत्र एक रचनात्मक ढांचा प्रदान करता है ताकि ऐसे प्रयोगों को डिजाइन किया जा सके जो प्राथमिक निर्णय कार्य की अखंडता को बनाए रखते हुए संज्ञानात्मक अनिश्चितता (cognitive uncertainty) को सटीक रूप से माप सकें।