ระบบการลงคะแนนที่ใช้ความแม่นยำของผู้ลงคะแนนแต่ละคนและความไม่แน่นอนที่เกี่ยวข้อง


11

สมมติว่าเรามีคำถาม "ใช่ / ไม่ใช่" ที่เราต้องการทราบคำตอบ และมีคน N คน "โหวต" สำหรับคำตอบที่ถูกต้อง ผู้มีสิทธิเลือกตั้งทุกคนมีประวัติ - รายชื่อ 1 และ 0 แสดงว่าพวกเขาถูกหรือผิดเกี่ยวกับคำถามประเภทนี้ในอดีต หากเราถือว่าประวัติศาสตร์เป็นการกระจายแบบทวินามเราสามารถค้นหาประสิทธิภาพเฉลี่ยของผู้มีสิทธิเลือกตั้งในคำถามเช่นรูปแบบที่เปลี่ยนแปลง CI และตัวชี้วัดความเชื่อมั่นอื่น ๆ

โดยทั่วไปคำถามของฉันคือ: วิธีการรวมข้อมูลความมั่นใจในระบบการลงคะแนนได้อย่างไร

ตัวอย่างเช่นหากเราพิจารณาว่าหมายถึงประสิทธิภาพของผู้ลงคะแนนแต่ละคนเท่านั้นเราสามารถสร้างระบบการลงคะแนนแบบถ่วงน้ำหนักง่ายๆ:

result=sign(vvotersμv×(1)1vote)

นั่นคือเราสามารถรวมน้ำหนักของผู้ลงคะแนนคูณด้วย (สำหรับ "ใช่") หรือ (สำหรับ "ไม่") มันสมเหตุสมผลแล้ว: หากผู้ออกเสียงลงคะแนน 1 มีคำตอบที่ถูกต้องโดยเฉลี่ยเท่ากับและผู้ออกเสียงลงคะแนน 2 มีเพียง.มากกว่าอาจจะเป็นการลงคะแนนเสียงของบุคคลที่ 1 ที่มีความสำคัญมากกว่า ในทางกลับกันถ้าคนที่ 1 ตอบคำถามเพียง 10 ข้อและคนที่ 2 ตอบคำถาม 1,000 ข้อเรามั่นใจในระดับทักษะของคนที่สองมากกว่าคนที่ 1 - เป็นไปได้ว่าคนที่ 1 โชคดี และหลังจาก 10 คำตอบที่ค่อนข้างประสบความสำเร็จเขาจะดำเนินการต่อด้วยผลลัพธ์ที่เลวร้ายกว่ามาก- 1 .9 .8+11.9.8

ดังนั้นคำถามที่แม่นยำยิ่งขึ้นอาจเป็นเช่นนี้: มีการวัดเชิงสถิติที่รวมทั้งความแข็งแกร่งและความมั่นใจเกี่ยวกับพารามิเตอร์บางตัวหรือไม่

คำตอบ:


4

คุณควรพิจารณาถึงความเชี่ยวชาญของผู้มีสิทธิเลือกตั้งเป็นตัวแปรแฝงของระบบของคุณ แล้วคุณอาจจะสามารถที่จะแก้ปัญหาของคุณกับการอนุมานแบบเบย์ การเป็นตัวแทนในรูปแบบกราฟิกอาจเป็นเช่นนี้:

graphical_model

เรามาแทนตัวแปรสำหรับคำตอบที่แท้จริงสำหรับการลงคะแนนของผู้มีสิทธิเลือกตั้งและสำหรับประวัติของมัน บอกว่าคุณยังมี "ความเชี่ยวชาญ" พารามิเตอร์ดังกล่าวว่า\ หากคุณใส่ก่อนหน้านี้ใน - ตัวอย่างเช่นรุ่นเบต้าก่อนหน้า- คุณควรจะสามารถใช้ทฤษฎีบท Bayes เพื่ออนุมานแล้วรวมเข้าด้วยกันเพื่อคำนวณ AViiHiμiPr(A=Vi)=μi Pr ( μ ฉัน | H ฉัน ) μ ฉัน Pr ( | V ฉัน , H ฉัน ) = μ ฉัน Pr ( , μ ฉันA i , H i ) d μ iμiPr(μiHi)μi

Pr(AVi,Hi)=μiPr(A,μiAi,Hi) dμi

ระบบเหล่านี้แก้ไขได้ยาก คุณสามารถใช้อัลกอริทึม EM เป็นค่าโดยประมาณหรือใช้รูปแบบการเพิ่มความน่าจะเป็นแบบสมบูรณ์เพื่อดำเนินการอนุมานแบบเบย์

ลองดูที่บทความนี้การอนุมานแบบแปรผันสำหรับ Crowdsourcing , Liu, Peng และ Ihler 2012 ( นำเสนอเมื่อวานนี้ที่ NIPS! ) สำหรับอัลกอริทึมโดยละเอียดสำหรับการแก้ปัญหานี้


1
ขอบคุณสำหรับคำตอบของคุณ แต่คุณช่วยกรุณาเจาะจงให้มากขึ้นหน่อยได้ไหม? โดยเฉพาะอย่างยิ่งสิ่งที่คุณหมายถึงโดยความเชี่ยวชาญ? หากเป็นเพียงความน่าจะเป็นที่บุคคลนั้นจะตอบได้อย่างถูกต้องเรามีการประมาณไว้โดยเฉลี่ยของคำตอบก่อนหน้าดังนั้นจึงไม่แฝงอยู่ หากคุณหมายถึงความเชี่ยวชาญมากกว่าทั้งค่าเฉลี่ยและความมั่นใจเกี่ยวกับการประมาณการของเราเราจะเผยแพร่ความน่าจะเป็นเพื่อรับความเชี่ยวชาญและผลลัพธ์ได้อย่างไร
แฟน

ใช่คุณสามารถแทนค่าเฉลี่ยและความมั่นใจด้วยตัวแปร "ความเชี่ยวชาญ" นี้และการอนุมานแบบเบย์ ฉันได้เพิ่มคำอธิบายเล็กน้อยและอ้างอิงถึงคำตอบของฉัน หวังว่าจะช่วย!
Emile
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.