System 1 vs. 2 theory describes two modes of thought, a fast, instinctive one and a slow, logical one. When we ask a question (e.g. A bat and ball cost $1.10. The bat costs $1 more than the ball. How much does the ball cost?), with prior, we can identify fast/slow thinking ($.10/$.05). But what if we do not have prior? A very clever method, surprisingly popular, additionally asks what percentage of other people answer $.10/$.05 and selects the answer that is more popular than people predict. However, the distribution report is non-minimal for many people especially for non-binary choices, the choices design requires prior and only the best answer is selected. Here we propose a simple minimal paradigm that elicits the full hierarchy of the collected answers: we ask a single open response question and elicit each respondent's answer (e.g. $.05) and guess(es) for other people's answers (e.g. $.10). We record the number of people who report a specific answer-guess pair (e.g. 10 people answer $.05 and guess $.10) by an answer-guess matrix. By ranking the answers to maximize the sum of the upper triangular area of the matrix, we obtain and visualize the hierarchy of the answers without any prior. Our paradigm has minimal requirement for both the respondent (no distribution report) and the requester (no choices design; check the hierarchy visually) and can be also used to research how people reason about other people's minds.


翻译:系统 1 vs. 2 理论描述了两种思维模式, 快速、 本能和慢、 逻辑。 但是, 当我们询问一个问题时( 例如蝙蝠和球的成本为1. 10美元。 蝙蝠的成本比球高出1美元。 球的成本是多少? 球的成本是多少?? ) 之前, 我们可以识别快速/ 低思维( 10美元. 05 美元 ) 。 但是, 如果我们没有之前的答案, 我们可以找出什么? 一个非常聪明的方法, 令人惊讶地受欢迎, 额外询问其他人回答的比例是 0. 0. 05 美元, 并且选择比人们预测的更受欢迎的答案。 但是, 当我们询问一个问题( 蝙蝠和球的成本是1. 10 ) 时, 分配报告对许多人来说并不最小, 选择的选择需要事先选择, 选择的答案是最好的答案是选择。 这里我们提出了一个简单的最小的范例,, 我们问一个开放的答案是每个应答者( 0. 05 ) 和猜测每个应答者回答 任何直观矩阵的答案 。

0
下载
关闭预览

相关内容

可靠深度异常检测,34页ppt,Google Balaji Lakshminarayanan讲解
专知会员服务
25+阅读 · 2021年4月2日
专知会员服务
39+阅读 · 2020年9月6日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Yoshua Bengio,使算法知道“为什么”
专知会员服务
7+阅读 · 2019年10月10日
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
已删除
将门创投
6+阅读 · 2019年7月11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
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Arxiv
11+阅读 · 2021年2月17日
Arxiv
27+阅读 · 2021年2月17日
Arxiv
3+阅读 · 2020年9月30日
Arxiv
4+阅读 · 2019年9月26日
SlowFast Networks for Video Recognition
Arxiv
19+阅读 · 2018年12月10日
Arxiv
3+阅读 · 2018年3月21日
VIP会员
相关VIP内容
可靠深度异常检测,34页ppt,Google Balaji Lakshminarayanan讲解
专知会员服务
25+阅读 · 2021年4月2日
专知会员服务
39+阅读 · 2020年9月6日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Yoshua Bengio,使算法知道“为什么”
专知会员服务
7+阅读 · 2019年10月10日
相关资讯
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
已删除
将门创投
6+阅读 · 2019年7月11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
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
相关论文
Top
微信扫码咨询专知VIP会员