计算传播首推 | 是谁在影响＂群体智慧＂?

        非常意外的是，我们如此低调的老师，带领着如此低调的我们，竟然要搞点大事情——开办公众号。

        京师计算传播学，来自北京师范大学新闻传播学院，致力于打造通俗易懂的计算传播学，用理科的方式重新解读传播学的现象和理论。

       我们通宵看文献、熬夜开组会，在文理混杂之中，碰撞出学术的火花。取其精华，没有糟粕，在这里我们将陆续把这些有趣的文章拿来和大家分享。

        巧了吗这不是，您赶上了我们的第一篇推送，欢迎各位有趣的理科生和理性的文科生和我们一同成长。

计算传播小组

2017年11月21日

2010年的文章《How Social Influence Can Undermine the Wisdom of Crowd effect》指出B情况下猜测的答案更准，作者用群体实验的方式证明了群体的交流讨论反而会降低答案的多样性，导致最终猜测的平均值会离真实值更远一些。

从误差的角度看，B情况更准确但不精确，而C情况更精确但不准确。

2013年的文章《Social Influence Bias:A Randomized Experiment》讨论了群体智慧在我们传播学里的表现，此论文通过设置实验现象，让不同组的人看到同一篇新闻的评论不一样，以此来讨论群体智慧是否会受到引导（详细内容见文章二）。2017年最新的一篇文章《Network dynamics of social influence in the wisdom of crowds》更详细的讨论了有社会影响下的群体智慧问题，指出社会影响不一定会降低群体智慧（详细内容见文章一）。

二 理论模型：

DeGroot模型

个体i，在受到网络中“邻居们”的影响后修改的自己的估计值，记为Rt,i

“邻居们”的估计值，也就是周围估计值的均值，记为 R¯t,j

一个个体修改自身估计值的过程中会受到三个因素的影响：1自己的估计值 2 网络中“邻居们”的估计值 3自己估计值的权重（αi）和“邻居们”估计值的权重(1 − αi)。所以，经过了t次修改后的估计值可以记为：

三 实验设计：

本研究设置了一个控制组（对应文章开头游戏中的情况B）有320人，两个实验组（对应文章开头游戏中的情况C）共有1040人，每组520人。

Ø  控制组：无社会影响环境

Ø  实验组一：集中化的网络环境

Ø  实验组二：分散化的网络环境

每个小组有40人，针对一套要求回答估计值的题目共进行三轮测试，控制组每一轮都是独立完成估计值，无法得知他人给出的估计值，但是也有两次自我修改的机会；两个实验组第一轮也是个体独立给出估计值，但是从第二轮开始，可以得到他人估计值的信息，重新提交估计值。

四 结果分析：

分散化的网络环境中群体估计值的精确性增加，集中化的网络环境中，群体估计值偏向于中心主体的估计值。

简单来说，就是在一个平等的气氛下，一群人互相参考对方的答案，最后提交的答案进行平均，这个平均值就非常接近正确答案了；当然，如果不是一个平等的交流环境，而是存在一个有话语权和影响力的组长，那么这一组最终交流后得出的答案，则会受到组长意见倾向的影响。

（一）分散化的网络环境：

图1.D表示，社会影响减少了群体的多样性。在实验组(两种网络环境)中，经过三轮测试，估计值的方差都明显降低，即受试者们的估计值多样性降低。

图1.A和图1.C表示，经过三轮测试，分散式网络环境中估计值的平均数和中位数的错误率都明显降低。

所以说，多样性的降低并没有导致群体智慧的降低，答案分布的更加集中，而最后的结果也更接近正确答案了。

如图2所示，两个实验组的受试者，修正估计值的程度和最初估计值的偏差程度相关。也就是说，第一次就估计的比较准的人，看到别人的答案后，也不会大幅度修改自己的答案，他倾向于给自己的答案更高的重要性，而给别人的答案一个低的权重，所以修改的幅度很小。反之则会对估计值的修改幅度很大。

这种相关性，会导致估计比较准的个体在网络社会影响中有更高权重，因此推动群体估计值更加准确。

如图3.A所示，在分散式网络中，具有较高修正系数的群体在精度上也表现出较大的改进。而集中式网络环境中，修正系数和精度之间没有显著的相关性。

（二）无社会影响环境（控制组）：

控制组的受试者也可以修改自己的估计值，但是不会得到任何其他人估计值的信息，经过三轮之后，估计值的错误率降低3%，效果明显低于分散式网络环境（错误率降低23%）。

（三）集中式的网络环境：

在这一环境中，按照中心节点（有影响力的中心主体，例如组长）分为两类，第一类是“朝向正确值方向”的中心节点环境，比如正确值是100，群体的估计值是90，而中心节点的估计值为95或者120（都是朝向正确值方向），不管中心节点的估计值更加准确（95），还是更加不准确（120），其群体估计值的准确性都提高了。第二类是“远离正确值方向”的中心节点环境，群体估计值的准确性下降。

如图1.B所示，群体的估计值取决于中心节点的观点倾向。

经过社会影响，两个实验组中最终个体给出的估计值范围都有了缩小，但是在有“组长”影响的情况下，估计值范围整体会向着组长的最初意见方向发生偏移。中心节点的估计值越高，群体均估计值就越高，反之则越低。

五 讨论

所以，此研究的观点是，即使是在有社会影响的情况下，群体也有能力产生准确的估计，这对于设计多种集体决策过程具有参考价值。

以往研究都认为社会影响确实破坏了群众的智慧，这就意味着，民主制度和组织决策程序想要发挥群体智慧，就得尽可能的分离投票者，让他们之间不进行沟通交流。基于这些想法，商业和非营利性组织已经实现了自动聚合工具，来收集个人的独立信念。但是，此次研究的结果对这种聚合方法提出了反对，因为网络可以扩大社会学习从而提高群体智慧。因此，本文认为，，使用管理通信网络的方法效果会更好。

参考文献：

Becker J, Brackbill D, Centola D. Network dynamics of social influence in the wisdom of crowds.[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017, 114(3):201615978.

通过对不同领域的划分，实验发现，、文化社会、商业等领域中羊群效应较为明显，而在经济、信息技术、娱乐、大众新闻等领域中并不明显，可能是因为这些领域更具有多元性和个体性。

在网站上，用户之间通过对对方的 “喜欢”或者“讨厌”，可以设置形成“朋友”或者“ 敌人”的关系。比如用户X经常看到用户Y给出的评论，并且觉得用户Y的评论质量很高，那么用户X和用户Y之间就是朋友关系。研究发现，相比于“敌人”，评论者的“朋友”会给出更高的评分，在高分处理组中，给出的分数也会更高一点，在低分处理组中，“朋友”也会高出高分，而“敌人”受到的影响并不明显，从而起到一个相互抵消的作用。

为了进一步解释实验的结果是由于羊群效应所导致的，根据用户打分的历史习惯将用户分为高评价者和低评价者进行实验。结果说明，在高分处理组中，这两种用户的给分率并没有明显区别，且都会打出比自己往常较高的分数，在低分处理组中，低评价者的给分率要高于高评价者，但是低评价者给出高分的概率也较高，从而抵消了给分率不同所带来的影响。这表明，实验结果与评价者的类型是无关的，只决定于之前所设置的分数，即是由羊群效应所引起的。

参考文献：

Lev Muchnik, Sinan Aral, Sean J.Taylor.(2013).Social Influence Bias:A Randomized Experiment. Science  09 Aug 2013: Vol. 341, Issue 6146, pp. 647-651  DOI: 10.1126/science.1240466

作者：杨濮宇 李永宁

编辑：李永宁