Binary Decisions in DAOs: Accountability and Belief Aggregation via Linear Opinion Pools

Dit artikel presenteert een mechanisme voor Decentralized Autonomous Organizations (DAO's) dat, door gebruik te maken van ex-post evaluaties en monetaire transfers, idiosyncratische voorkeuren en subjectieve overtuigingen van experts effectief scheidt om via een lineair gepoold signaal de optimale beslissing te nemen.

De kern

Stel je voor dat een DAO (een Decentralisatie Autonome Organisatie) een enorme, digitale coöperatie is. In plaats van een CEO of een bestuur, wordt alles beslist door de leden. Maar als je duizenden leden hebt, kan iedereen niet tegelijk stemmen over alles. Daarom kiezen ze vaak een raad van experts (een klein groepje) om namens de rest belangrijke beslissingen te nemen.

Het probleem? Soms willen deze experts iets doen dat goed is voor henzelf, maar slecht voor de organisatie.

Stel je voor dat een raad van een lening-DAO moet beslissen of ze een zeer risicovolle munt als onderpand mogen accepteren. Een expert in de raad heeft zelf duizenden van die munten. Hij stemt voor, niet omdat hij denkt dat het slim is voor de DAO, maar omdat hij zijn eigen portemonnee wil vullen. Dit is het grote probleem: persoonlijke belangen versus de belangen van de groep.

Dit paper (wetenschappelijk artikel) komt met een slimme oplossing: een nieuw stemsysteem dat experts dwingt om eerlijk te zijn en hen aansprakelijk maakt voor de uitkomst.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Twee soorten geheimen

Elk expert heeft twee soorten geheime informatie:

• Persoonlijke smaak: "Ik hou van munt A, want ik heb er veel van."
• Echte overtuiging: "Ik denk dat munt B beter is voor de DAO, want de cijfers liegen niet."

In het oude systeem (gewone stemming) winnen vaak de mensen met de sterkste persoonlijke smaak, zelfs als ze de verkeerde overtuiging hebben. Het nieuwe systeem probeert de "echte overtuiging" te filteren en de "persoonlijke smaak" te negeren.

2. De "Gok met een Bijl" (Het Mechanisme)

Het systeem werkt in twee fases, net als een spelletje waarbij je eerst een inzet doet en later de uitkomst ziet.

Fase 1: De Stem (De Inzet)
Experts geven een getal af dat aangeeft hoe sterk ze voor of tegen een optie zijn. Maar hier is de truc: ze krijgen een beloning of straf die afhangt van wat er later gebeurt.

• Als je stemt voor iets dat je persoonlijk leuk vindt, maar je weet dat het waarschijnlijk mislukt, moet je extra betalen als het mislukt.
• Als je stemt voor iets dat je niet leuk vindt, maar je weet dat het de DAO gaat redden, krijg je een beloning als het lukt.

Fase 2: De Afrekening (De Bijl)
Na een bepaalde tijd kijkt een slim contract (een digitale rechter) naar de feiten.

• Succes? (Bijv. de waarde van de DAO is gestegen). Dan krijgen de experts die de juiste beslissing hebben genomen, hun inzet terug plus een bonus.
• Mislukking? (Bijv. de waarde is gezakt). Dan krijgen de experts die de slechte beslissing hebben gedwongen, een zware boete.

3. De Analogie: De Gids in de Bergen

Stel je een groep berggidsen voor die moeten kiezen tussen twee routes:

• Route A: Snel, maar gevaarlijk.
• Route B: Langzaam, maar veilig.

Een gids heeft een persoonlijk probleem: hij heeft haast en wil Route A (zijn persoonlijke voorkeur). Maar hij is een expert en ziet de sneeuwstorm aankomen; hij weet dat Route B veiliger is (zijn echte overtuiging).

In een normaal systeem zou hij voor A stemmen omdat hij haast heeft.
In dit nieuwe systeem wordt hij gevraagd: "Wat is je advies?"

• Als hij voor A stemt (zijn voorkeur) maar het is een ramp, moet hij zijn eigen rugzak (geld) inleveren.
• Als hij voor B stemt (zijn overtuiging) en het is een succes, krijgt hij een bonus.

Omdat hij niet wil dat zijn rugzak leeg is, zal hij eerlijk voor B stemmen, zelfs als hij haast heeft. Hij wordt aansprakelijk (accountable) voor zijn advies.

4. Waarom werkt dit?

Het paper laat wiskundig zien dat dit systeem twee dingen doet:

1. Het filtert ruis: De persoonlijke voorkeuren (de "ruis") worden uitgesmeerd door de beloningen en boetes.
2. Het versterkt het signaal: De echte kennis van de groep (de "signaal") komt naar voren.

Zelfs als een expert een conflict heeft tussen wat hij wil en wat hij denkt, is het voor hem het veiligst om te stemmen op wat hij denkt dat het beste is voor de groep. Als hij probeert te "spelen" en stemt op wat hij wil (in plaats van wat hij weet), riskeert hij zware boetes als het mislukt.

5. De "Budget" (Het Potje)

Om dit te laten werken, moet er een potje geld zijn (een budget).

• Als het potje groot genoeg is, kunnen de boetes en beloningen groot genoeg zijn om de experts te dwingen eerlijk te zijn.
• Als het potje te klein is, kunnen experts het zich veroorloven om te liegen.
• Het paper bewijst dat als de experts het eens zijn over wat er gaat gebeuren (hun overtuigingen convergeren), het systeem zelfs met een kleiner potje werkt.

Samenvatting in één zin

Dit paper bedenkt een slimme manier om een groep experts te laten stemmen, waarbij ze niet alleen hun mening geven, maar ook geld op het spel zetten zodat ze gedwongen worden om te kiezen voor wat het beste is voor de organisatie, en niet voor wat het beste is voor hun eigen portemonnee.

Het is alsof je een jury niet alleen vraagt "Wie is de dader?", maar ze ook laat betalen als ze de verkeerde dader aanwijzen. Daardoor gaan ze pas echt nadenken.

Technische samenvatting

Probleemstelling

Decentralized Autonomous Organizations (DAO's) staan voor een fundamenteel governance-probleem: hoe kan een groep experts (een bestuursraad) een collectieve beslissing nemen die optimaal is voor de organisatie, terwijl individuele leden vaak eigenbelang (idiosyncratische voorkeuren) hebben dat niet overeenkomt met het belang van de DAO?

De huidige mechanismen, zoals meerderheidsstemming of token-gewogen stemmen, falen vaak omdat ze:

1. Geen verantwoording (Accountability) bieden: Experts worden niet financieel verantwoordelijk gehouden voor de gevolgen van hun beslissingen. Als een beslissing leidt tot een negatief resultaat, dragen zij geen directe kosten.
2. Informatie niet goed aggregeren: Ze mengen persoonlijke voorkeuren met subjectieve overtuigingen (beliefs) over welke optie de organisatie het beste zal dienen. Dit leidt tot een "ruis" in de beslissing.
3. Strategisch gedrag stimuleren: Experts kunnen hun stem manipuleren om hun eigen voorkeur te maximaliseren, zelfs als ze weten dat dit slecht is voor de DAO.

Het doel van dit onderzoek is een mechanisme te ontwerpen dat experts ertoe aanzet om hun ware subjectieve overtuigingen te onthullen (in plaats van hun voorkeuren) en hen verantwoordelijk houdt voor de uitkomst van hun beslissingen.

Methodologie en Model

De auteurs modelleren de beslissingsprocessen als een classificatieprobleem in plaats van een welvaartsmaximalisatieprobleem. Het doel is niet om de som van de individuele nutten te maximaliseren, maar om de beslissing af te stemmen op de geaggregeerde overtuigingen van de experts.

Het Model:

• Experts: Een groep $N$ van $n$ risiconeutrale experts.
• Private Types: Elke expert $i$ heeft twee soorten private informatie:
  1. Idiosyncratische voorkeuren ($\theta$): Hoeveel de expert persoonlijk wint of verliest bij optie A of B.
  2. Subjectieve overtuigingen ($p$): De geschatte kans dat optie A of B een positief resultaat ($\Delta = 1$) oplevert voor de organisatie (bijv. groei van de treasury).
• Uitkomst: Er is een ex-post evaluatietool (via smart contracts) die een booleaanse waarde ($\Delta \in \{-1, 1\}$) teruggeeft na een bepaalde periode, gebaseerd op Key Performance Indicators (KPI's).
• Mechanisme Structuur: Het mechanisme bestaat uit drie componenten:
  1. Toewijzingsregel ($x$): Kies optie A of B op basis van gerapporteerde berichten.
  2. Transferrule ($t$): Een voorafgaande betaling (VCG-stijl) gebaseerd op de rapporten.
  3. Ex-post beloningsregel ($r$): Een betaling die afhankelijk is van de werkelijke uitkomst $\Delta$.

Het Ontwerp:
Het voorgestelde mechanisme combineert een Vickrey-Clarke-Groves (VCG) transfer (om eerlijke voorkeuren te stimuleren) met een uitkomst-afhankelijke beloning.

• Experts rapporteren een getal $m_i$ dat hun voorkeur en overtuiging combineert.
• De beslissing wordt genomen op basis van de som van deze rapporten.
• Als de uitkomst positief is ($\Delta = 1$), krijgen experts een beloning die hun VCG-belasting terugbetaalt en een deel van het budget toevoegt.
• Als de uitkomst negatief is ($\Delta = -1$), worden experts gestraft door hun VCG-belasting te verdubbelen en een deel van het budget af te trekken.

Belangrijkste Bijdragen

1. Formalisatie van Accountability: De auteurs vertalen het informele concept van "Accountability" in DAO's naar een strikt mechanisme-ontwerp-eigenschap. Een beslissingsmaker die de uitkomst beïnvloedt (pivotal), moet de financiële gevolgen van die beslissing dragen.
2. Classificatie als Doel: In plaats van sociale welvaart te maximaliseren, wordt het doel gedefinieerd als het correct classificeren van de beste optie op basis van de geaggregeerde overtuigingen van de experts.
3. Het Mechanisme: Een nieuw mechanisme dat VCG-transfers koppelt aan een ex-post beloningsregel. Dit mechanisme is ontworpen om idiosyncratische ruis te filteren en het signaal van de overtuigingen te versterken.
4. Incentive Compatibiliteit:
   • Voor gealigneerde experts (waarbij voorkeur en overtuiging overeenkomen) is het mechanisme Dominant Strategy Incentive Compatible (DSIC).
   • Voor niet-gealigneerde experts (waarbij voorkeur en overtuiging conflicteren) bewijzen de auteurs een "Safe Deviation" eigenschap: een expert kan niet winstgevend afwijken van een bekende strategie ($m^*_i$) naar een alternatief dat ze zelf voor minder kansrijk houden.

Resultaten en Analyse

De kern van de resultaten wordt samengevat in Theorema 17 (Informatie Aggregatie):

• Decompositie van het Signaal: De som van de rapporten ($\sum m^*_i$) kan worden ontbonden in twee componenten:
  $$\sum m^*_i = N(\tau) + \frac{c}{n} B(\tau)$$
  Waarbij:

  • $N(\tau)$ de idiosyncratische ruis is (gebaseerd op persoonlijke voorkeuren).
  • $B(\tau)$ het geaggregeerde overtuigingssignaal is (een lineair gepoolde overtuiging).
  • $c/n$ het budget per expert is.

• Correcte Classificatie: Het mechanisme kiest de optimale optie (de optie die de meeste experts voor succesvol houden) zolang het budget per expert ($c/n$) een bepaalde drempelwaarde $\bar{c}(\tau)$ overschrijdt. Deze drempel daalt naarmate de overtuigingen van de experts meer convergeren.

• Rolverdeling van het Budget: Een hoger budget versterkt het gewicht van het overtuigingssignaal ($B$) ten opzichte van de ruis ($N$), waardoor het mechanisme beter in staat is om persoonlijke bias te overwinnen.

• Veiligheid: Zelfs als experts niet gealigneerd zijn, is het voor hen riskant om te stemmen tegen hun eigen overtuiging. Als ze dat doen, riskeren ze zware boetes als hun keuze mislukt, zonder dat ze er zeker van zijn dat hun voorkeur wint.

Complexiteit:
Het mechanisme is computatieel licht ($O(n)$) en geschikt voor implementatie op een blockchain (smart contracts), aangezien het alleen sommen en eenvoudige vergelijkingen vereist.

Betekenis en Conclusie

Dit artikel biedt een theoretische en praktische oplossing voor een van de grootste uitdagingen in DAO-governance: het scheiden van persoonlijke belangen van het collectieve belang.

• Verantwoordelijkheid: Door de koppeling van beloningen aan de werkelijke uitkomst, worden experts gedwongen om na te denken over de kwaliteit van hun beslissing, niet alleen over hun eigen winst.
• Betere Beslissingen: Het mechanisme filtert "ruis" (persoonlijke voorkeuren) en versterkt het "signaal" (collectieve overtuigingen), wat leidt tot betere beslissingen voor de DAO, mits er voldoende budget beschikbaar is.
• Toepasbaarheid: Hoewel het zich richt op binaire beslissingen (ja/nee), is het relevant voor de meeste DAO-proposals. Het biedt een blauwdruk voor het ontwerpen van smart contracts die niet alleen stemmen tellen, maar ook de kwaliteit van de beslissingen belonen of straffen.

De auteurs concluderen dat dit mechanisme een brug slaat tussen informele governance-eisen en formele mechanisme-theorie, en een robuust kader biedt voor het oplossen van het "collectief actie"-probleem in gedecentraliseerde organisaties.