Divide and Confer: Aggregating Information without Verification
本文表明，虽然在规模较小的群体中，接收者可以通过允许具有偏见的发送者进行交流来获得最优结果，但在大规模群体中，接收者通过实施惩罚过度共识以减轻偏见的机制来阻止交流，从而获益，尽管这会导致收益被限制在远离最优解的水平。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
喧嚣人群中的谜团
想象一下，你正在试图解开一个巨大的拼图，但拼图碎片散落在成千上万的人手中，而你无法直接与他们交谈。你必须依赖他们告诉你的信息。这就是机制设计（mechanism design）的世界——它是经济学的一个分支，研究如何制定规则，使得人们即使在试图欺骗你时，也会在无意中帮助你找到真相。通常情况下，如果你有一群拥有不同秘密的人，你可以通过对比他们的说法来识破谎言。如果 A 说天空是绿色的，而 B 说天空是蓝色的，你就知道其中一人在撒谎。这被称为交叉验证（cross-verification）。
但如果每个人都持有一块别人都没有的、独特的拼图碎片时，情况会怎样呢？想象一个房间，每个人都拿着一块单一且不可替代的拼图碎片。如果 A 对自己的碎片撒了谎，你无法通过对比 B 的碎片来核实，因为它们完全不同。你无法验证真相。这就是**信息分割（informational division）**的问题：房间内的总知识量是固定的，但它被分割得如此细碎，以至于没有任何一个人拥有足够的信息，能让其他人通过互相核对来识破谎言。核心问题在于：当你无法通过互相检查作业来获取真相时，你该如何从人群中获取真相？
论文的核心思想：惩罚“过于笃定”的人群
在他们的论文《分而治之：在缺乏验证的情况下聚合信息》（Divide and Confer: Aggregating Information without Verification）中，James Best、Daniel Quigley、Maryam Saeedi 和 Ali Shourideh 解决了这个令人头疼的问题。他们研究了一个场景：决策者（如 CEO 或政府）需要根据大量带有偏见的信使所持有的信息来做出“是”或“否”的选择。这些信使都希望答案是“是”，即便事实并非如此。由于信使们的信息是分散且互不关联的，决策者无法简单地询问：“你的说法和他的匹配吗？”
作者们发现了一个聪明且反直觉的解决方案。他们表明，即使无法进行事实交叉核对，决策者仍然可以通过使用一种惩罚过度一致的机制来获取有用的信息。
这里有一个有趣的类比：想象一个游戏节目，一百万名参赛者被要求猜测温度。他们都私下里希望答案是“热”，因为这意味着他们能赢得奖品。主持人知道他们带有偏见。如果主持人只是问：“热吗？”所有人都会大喊“是！”，而主持人将一无所获。
作者提出了一个新规则：“如果平均猜测值处于一个舒适的中等范围，我们就说‘是’。但如果所有人都一致认为天气热极了，我们无论如何都会说‘否’。”
这听起来很奇怪，对吧？为什么在大家都很确定的时候反而拒绝答案？窍门在于，这种“损耗盈余”的惩罚起到了一种威胁作用。如果一名参赛者撒谎并声称天气比实际更热，他们就有可能将群体平均值推入那个“酷热”区域，从而导致主持人完全拒绝该答案。这种集体拒绝的恐惧阻止了撒谎者夸大其词。决策者实际上是在说：“我不在乎你们是否达成了一致；如果你们达成了一致，我就会烧掉奖金并说‘否’。”这种威胁让人群保持诚实，从而在中间范围内揭示真相。
他们的发现（以及未达到的目标）
论文通过数学证明，随着人群变得无限大，最佳策略就是这种简单的“区间机制”。它接受如果报告的状态处于特定窗口内，并拒绝如果报告过低，或者——令人惊讶地——过高。
然而，作者们谨慎地指出，这并不是解决一切问题的万灵药。他们明确表明，这种方法无法实现“第一最优”（first best）结果（即决策者掌握确切真相的完美结果）。因为信息是分割且无法核查的，所以总是有代价的。决策者必须通过“烧掉一些盈余”（拒绝好的答案以维持诚实）来维持诚信。论文证明，虽然你可以获得比“无所作为”更好的结果，但在这种特定的设置下，你永远无法获得“完美”的结果。
作者还排除了需要复杂、高级规则的可能性。在小规模群体中，最好的规则是复杂的，并且取决于每个人的具体发言。但在庞大的群体中，数学表明，简单的“区间”规则实际上才是最好的。人群的复杂性被冲刷掉了，留下了一个简单而优雅的解决方案。
总结
那么，这对现实世界意味着什么？论文表明，当你面对一个无法进行个体间事实核查的大规模偏见人群时（例如社交媒体投票或大型委员会），你不应该仅仅信任多数派。相反，你应该对过度的共识保持警惕。通过设计一个在人群向其偏好方向过度一致时对其进行惩罚的系统，你实际上可以比单纯听取他们的意见提取到更多诚实的信息。这有点像一位家长对满屋子的孩子说：“如果你们都一致要求吃糖果，我就取消大家的甜点时间，”这突然会让孩子们在撒谎说自己有多饿之前三思而后行。
论文并不声称这解决了所有关于谎言或假新闻的问题，但它提供了一个严密的数学证明：即使在一个无法验证事实的世界里，你仍然可以设计出让撒谎变得代价过高的规则。它将信息的“分割”从一种弱点转变为了一种纪律工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。