怎样用逻辑和算法，撬动群体智慧？
如何向群体智慧借力？在样本和测试足够多，检验和反馈足够明确的领域，有以下方法：
简单平均。每个人各自掌握一些信息，各有判断，即使只是简单平均，形成的判断也比单个人更准确
贝叶斯推理。贝叶斯推理有两个要点：首先有一个基础判断；其次获得新信息，对初始判断不断调整更新
动态加权。动态加权可以解放出不同判断中包含的独特信息
极化。极化就是把经过以上方法得出的判断再推一步
简单平均
平均聚合，原则上就是一人一票，简单平均。豆瓣采用的就是简单平均法。
简单归简单，这办法很靠谱。如果投票者数量足够多，投票相对独立，那么简单平均值的准确度会系统性地超越个体判断。
类似的实验已经做过无数次。把一头牛牵到集市，让赶集的农夫目测其体重。最后下来会发现，没有哪个农夫的判断，能够超过把所有农夫的判断加总再平均。
原因在于，每个人各自掌握一些信息，各有判断，哪怕只是用平均这样简单粗暴的方法聚合起来，也比单个人掌握的信息要完整，形成的判断更准确。这就是群体智慧的原意。它已经足以战胜绝大多数有专家头衔的评委。
贝叶斯推理
假设一部电影只有两个人打分五星，另一部电影一百万人打分平均4.9星。哪部电影更好？简单平均法识别不了。
这时候就需要另一种算法，贝叶斯推理。电影评价类网站的始祖和霸主IMDB用的就是这种算法，它能够解决极少数用户打极高分或者极低分的时候，对一部电影的评价出现不准确或不公平的问题。
那什么是贝叶斯推理呢？
贝叶斯推理是一种更新既有判断的方法，有两个要点：1. 你有一个既有判断；``2. 获得新信息，不断调整更新。
那贝叶斯推理在IMDB电影评分机制上是怎样运用的呢？
贝叶斯推理总是从预先的假设开始。既然事先不知道一部电影得分会是多少，那就给它一个基准分，对应一个基准的投票数。IMDb给的基准分是网站上所有电影的平均分，比如6.5，对应基准的打分人数，比如是3000人。
不管是什么电影，在获得第一个用户打分之前，默认都是得6.5分，对应着3000张投票。
你看了电影，开始打分，新信息进来了。贝叶斯推理会用这些新信息修正得分，随着每个用户的打分变化。算法我就不列了。大体上是这样的情境：
如果只有一个用户打分，那么电影得分无限接近于网站平均分；如果有3000真实用户打分，跟基准数一样，那么得分正好是3000名真实用户实际打分，与网站平均分两个分值之间的平均分；如果打分用户数量极大，那么得分会极度逼近这些用户的实际打分。
动态加权
人人都有话份，在决策流程中都能发言参与，在发言资格的意义上大家是平等的，但彼此的话份就有差等。有人水平高，决策效果的历史表现好，他们话份就大，反之话份就小。决策如果有意见分歧，则按“不同意见×话份”来解决分歧。 每次决策都有记录，根据决策效果反馈，随时更新每个人的话份。
达里奥的决策方法叫作可信度加权的想法惟贤是举体制(believability-weighted idea meritocracy)模式跟动态加权是相同的道理。
极化
极化很简单，对加权平均后形成的预测结果，将预测结果往100%或者0的方向推。
举个例子，特朗普能否连任美国总统？如果预测者加权平均后的预测概率是70%，那就把它上调到比如85%；相反，如果预测值是30%，那就把它下调到15%。
极化的理由是这样的：假设群体中的每个人都获得了群体的全部信息，他们作预测时一定会更为自信。从群体简单平均值到加权平均的过程，事实上已经聚合了所有人的信息，但没有完全反映出与此对应的自信。
极化就是要捕捉这个自信：如果是乐观预测，极化会输出一个更乐观的预测；如果是悲观预测，极化会输出一个更悲观的预测。
推荐读泰特罗克的书《超预测》（ Superforcastering: The Art and Science of Prediction ）
如今信息过剩，观点各异，解决问题也得采用多元思维模型。聚合并使用群体智慧，无需空追求观点和行动的一致性。观点摇摆，是因为在聚合中要渐进校正；行动摇摆，是在实施中要迅速获得反馈并相应作调整。光追求前后一致不空耗能量，美则美矣，但缺少信息忽视反馈在闭环里打转，又有什么用。
版权说明
该文章灵感来源于得到课程《30天认知训练营-2018》第12篇，经作者重新整理思考后输出，主要用于更好的消化课程内容，文中存在摘录内容，如有侵权，请联系作者删除！
网友评论