• 使用不确定性模型进行非贝叶斯社会学习;
• 量化认知偏差对问答系统的影响;

使用不确定性模型进行非贝叶斯社会学习

原文标题： Non-Bayesian Social Learning with Uncertain Models

地址： http://arxiv.org/abs/1909.09228

作者： James Z. Hare, Cesar A. Uribe, Lance Kaplan, Ali Jadbabaie

摘要： 非贝叶斯社会学习理论提供了模型分布推断为一组主体通过社会网络进行交互的框架。在此框架下，每个主体反复形成，并传递与世界使用学习规则他们的邻居的未知状态的信念。现有的方法假设主体商对世界的状态获得精确的统计模型（在可能性的形式）。然而，在许多情况下，这样的模型必须从有限的数据获悉。我们提出了一个社会学习规则采用二阶概率是考虑到在统计模型帐户的不确定性。因此，从不确定的模型得出的信念是收集每个假设过去证据的数量敏感。我们描述如何做好假设可以在社会网络，如一致的或不符合世界的状态下进行测试。我们明确地显示出相对于之前的证据量产生信仰的依赖。此外，由于前证据的数量趋于无穷大，学习发生，并与传统的社会学习理论是一致的。

量化认知偏差对问答系统的影响

原文标题： Quantifying the Impact of Cognitive Biases in Question-Answering Systems

地址： http://arxiv.org/abs/1909.09633

作者： Keith Burghardt, Tad Hogg, Kristina Lerman

摘要： 众包可以识别高品质的解决问题的办法;然而，个人的决定是由认知偏见的限制。我们调查一些偏见的询问应答系统的实验模型。在自然和控制的实验，我们观察赞成选择列表中较早出现的答案强势地位的偏见。这种效果是由三个认知因素增强：一个答案备受关注，其感知普及，和认知负载，通过选择，用户必须处理的数量来衡量。虽然单独薄弱，这些作用协同放大位置偏差，从他们的内在质量脱钩最佳答案的用户选择。我们通过讨论，我们可以将这些研究结果，大幅度提高高品质的答案是如何在答疑系统中发现的新的方式结束我们的纸。

声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://netsci.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。