Background: It has repeatedly been reported that when making decisions under uncertainty, groups outperform individuals. In a lab setting, real groups are often replaced by simulated groups: Instead of performing an actual group discussion, individual responses are aggregated by a numerical computation. While studies typically use unweighted majority voting (MV) for this aggregation, the theoretically optimal method is confidence weighted majority voting (CWMV) -- if confidence ratings for the individual responses are available. However, it is not entirely clear how well the theoretically derived CWMV method predicts real group decisions and confidences. Therefore, we compared simulated group responses using CWMV and MV to real group responses. Results: Simulated group decisions based on CWMV matched the accuracy of real group decisions very well, while simulated group decisions based on MV showed lower accuracy. Also, CWMV well predicted the confidence that groups put into their group decisions. Yet, individuals and real groups showed a bias towards under-confidence while CWMV does not. Conclusion: Our results highlight the importance of taking into account individual confidences when investigating group decisions: We found that real groups can aggregate individual confidences such that they match the optimal aggregation given by CWMV. This implies that research using simulated group decisions should use CWMV and not MV.


翻译:在实验室环境中,实际团体往往被模拟团体所取代:结果:基于CWMV的模拟团体决定与实际团体决定的准确性非常吻合,而基于MV的模拟团体决定则显示的准确性较低;此外,CWMV也预示了各团体对其集团决定的信心。 然而,个人和真实团体表现出了对不信任的偏见,而CWMV则没有这样做。 结论:我们的结果突出表明,在调查团体决定时必须考虑到个人信心:我们发现,真实团体可以将个人信心汇总起来,这样它们就意味着使用CMVMV进行的最佳调查。

0
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
【普林斯顿大学-微软】加权元学习,Weighted Meta-Learning
专知会员服务
39+阅读 · 2020年3月25日
已删除
将门创投
5+阅读 · 2019年8月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
[DLdigest-8] 每日一道算法
深度学习每日摘要
4+阅读 · 2017年11月2日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
20+阅读 · 2017年10月1日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Arxiv
0+阅读 · 2021年7月28日
Arxiv
14+阅读 · 2018年4月18日
VIP会员
相关VIP内容
专知会员服务
25+阅读 · 2021年4月2日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
【普林斯顿大学-微软】加权元学习,Weighted Meta-Learning
专知会员服务
39+阅读 · 2020年3月25日
相关资讯
已删除
将门创投
5+阅读 · 2019年8月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
[DLdigest-8] 每日一道算法
深度学习每日摘要
4+阅读 · 2017年11月2日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
20+阅读 · 2017年10月1日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Top
微信扫码咨询专知VIP会员