سازوکار تجمیع رتبهبندی: چگونه الگوریتمها برنده دادههای رتبهبندیشده را تعیین میکنند
چگونه روش ریاضی مورد استفاده برای ترکیب ترجیحات فردی میتواند رتبهبندی نهایی را کاملاً تغییر دهد، حتی زمانی که دادههای اصلی یکسان باقی میمانند.
به قلم الوین شادمهر
این خبر را به اشتراک بگذارید
- خالصگرایان الگوریتمی
- طرفدار روش کوندورسه هستند و استدلال میکنند که مسابقات جفتی رو در رو تنها راهی است که از نظر ریاضی برای تعیین اراده واقعی اکثریت، صحیح است.
- سازندگان اجماع
- طرفدار شمارش بوردا هستند و گزینههایی را که به طور گسترده برای کل گروه قابل قبول هستند، بر گزینههای قطبیکنندهای که فقط مورد علاقه اکثریت محدود هستند، اولویت میدهند.
- عملگرایان
- از روش تکثر و امتیازدهی ساده دفاع میکنند و استدلال میکنند که الگوریتمهای پیچیده شرکتکنندگان را گیج میکنند و قاطعیت مهمتر از کمال ریاضی است.
تصور کنید تیم شما در حال رأی دادن به سه پیشنهاد پروژه است. شما ترجیحات رتبهبندیشده همه را جمعآوری میکنید، آنها را شمارش میکنید و برنده را اعلام میکنید. اما اگر صرفاً تغییر فرمول صفحه گستردهای که برای شمارش دقیق همان رتبهبندیها استفاده میشود، برنده کاملاً متفاوتی را تولید کند، چه؟ ریاضیات تجمیع رتبهبندی یک شمارش خنثی نیست؛ بلکه یک تصمیمگیرنده فعال است که نتایج را در همه چیز، از استراتژی شرکتها گرفته تا نتایج موتورهای جستجو، شکل میدهد.[4]
قرنهاست که ریاضیدانان با این چالش دست و پنجه نرم میکنند که چگونه لیستهای رتبهبندیشده فردی را در یک رتبهبندی گروهی واحد و قطعی ترکیب کنند. این اساساً یک مسئله تحلیل داده است. هنگامی که یک سیستم از کاربران میخواهد گزینهها را رتبهبندی کنند—چه آنها MVPهای ورزشی باشند، چه ویژگیهای محصول یا نامزدهای انتخاباتی—یک ماتریس پیچیده از ترجیحات همپوشان ایجاد میشود. ترجمه آن ماتریس به یک برنده «مقام اول» واحد، نیازمند یک الگوریتم است و هر الگوریتمی سوگیری ریاضی خاص خود را دارد.[1]
رایجترین روش، روش «تکثر» (Plurality) است که اغلب «اولین نفر از خط پایان» نامیده میشود. در این سیستم، الگوریتم فقط به انتخاب اول در هر لیست نگاه میکند و بقیه را نادیده میگیرد. این روش از نظر محاسباتی ساده است اما برای دادهها بسیار مخرب است. اگر ۴۰ درصد از یک گروه، گزینه الف را در رتبه اول قرار دهند، اما ۶۰ درصد باقیمانده آن را در رتبه آخر بگذارند، گزینه الف همچنان ممکن است برنده شود اگر آن ۶۰ درصد بین چندین گزینه دیگر تقسیم شده باشد. تکثر اغلب به انتخابهای قطبیکننده پاداش میدهد در حالی که اجماع را مجازات میکند.[1]
برای حل این مشکل از دست رفتن دادهها، ریاضیدانان سیستمهای امتیازدهی موقعیتی را توسعه دادند که مشهورترین آنها «شمارش بوردا» (Borda Count) است که در سال ۱۷۸۱ معرفی شد. شمارش بوردا به هر موقعیت در یک لیست رتبهبندیشده، یک ارزش امتیازی اختصاص میدهد. در یک رقابت سه گزینهای، رتبه اول ممکن است دو امتیاز، رتبه دوم یک امتیاز و رتبه سوم صفر امتیاز داشته باشد. الگوریتم امتیازات را جمع میکند تا برنده را پیدا کند، و تضمین میکند گزینهای که به طور گسترده مورد پسند همه است، بتواند گزینهای را شکست دهد که فقط مورد علاقه شدید تعداد کمی است اما مورد نفرت بقیه.[2]
برای حل این مشکل از دست رفتن دادهها، ریاضیدانان سیستمهای امتیازدهی موقعیتی را توسعه دادند که مشهورترین آنها «شمارش بوردا» (Borda Count) است که در سال ۱۷۸۱ معرفی شد.
با این حال، شمارش بوردا آسیبپذیری جدیدی را معرفی میکند: این روش به شدت مستعد دستکاری استراتژیک است. از آنجا که دامنه امتیاز ثابت است، معرفی یک گزینه «کلون»—انتخابی تقریباً مشابه با یک گزینه موجود—میتواند به طور مصنوعی امتیازات رقبا را افزایش یا کاهش دهد. در محیطهای بسیار رقابتی، شرکتکنندگان میتوانند با رتبهبندی تاکتیکی قویترین رقیب گزینه مورد علاقه خود در پایینترین جایگاه، ریاضیات را دستکاری کرده و اجماع واقعی را تحریف کنند.[2]
«روش کوندورسه» (Condorcet Method) رویکرد کاملاً متفاوتی نسبت به دادهها دارد و به جای مجموع امتیازات، بر مقایسههای جفتی تکیه میکند. این الگوریتم یک رقابت یک به یک را بین هر جفت ممکن از گزینهها شبیهسازی میکند. اگر گزینه ب در رقابت رو در رو، گزینه الف را شکست دهد و همچنین گزینه ج را شکست دهد، گزینه ب به عنوان برنده کوندورسه اعلام میشود. این روش از نظر ریاضی دقیق است و در برابر اثر مفسدی (spoiler effect) که روش تکثر را آزار میدهد، بسیار مقاوم است.[3]
با این وجود، روش کوندورسه یک نقص ریاضی مهلک دارد: ممکن است در واقع برندهای وجود نداشته باشد. از آنجا که ترجیحات گروهی میتوانند چرخهای باشند—گزینه الف گزینه ب را شکست میدهد، گزینه ب گزینه ج را شکست میدهد، اما گزینه ج گزینه الف را شکست میدهد—الگوریتم میتواند منجر به یک تساوی غیرقابل حل شود که به عنوان «پارادوکس کوندورسه» شناخته میشود. در این موارد، دادهها یک حلقه تشکیل میدهند و الگوریتم بدون تکیه بر یک روش ثانویه برای شکستن تساوی، در تولید یک رتبهبندی قطعی شکست میخورد.[3]
در نهایت، انتخاب یک الگوریتم رتبهبندی به این معناست که شما انتخاب میکنید کدام نقص ریاضی را مایل به تحمل هستید. در سال ۱۹۵۱، اقتصاددان کنت آرو به طور ریاضی ثابت کرد که هیچ سیستم رأیگیری رتبهای نمیتواند ترجیحات فردی را به طور کامل به یک رتبهبندی در سطح جامعه ترجمه کند در حالی که تمام معیارهای اساسی انصاف را برآورده سازد. چه به دنبال بهینهسازی برای اجماع، قاطعیت یا مقاومت در برابر دستکاری باشید، الگوریتمی که انتخاب میکنید ناگزیر برنده را دیکته خواهد کرد.[1][4]
چرا مهم است
هر بار که گروهی گزینههایی را رتبهبندی میکند—چه برای انتخاب ارزشمندترین بازیکن (MVP) ورزشی، چه استراتژی شرکتی یا ویژگی یک محصول—الگوریتم ریاضی مورد استفاده برای جمعآوری لیستها اغلب به اندازه خود دادهها، برنده را تعیین میکند. درک این الگوریتمها نشان میدهد که چرا تعریف «حکومت اکثریت» از نظر ریاضی به طور کامل غیرممکن است.
نکات کلیدی
- الگوریتمهای تجمیع رتبهبندی تعیین میکنند که چگونه ترجیحات فردی در یک تصمیم گروهی واحد ترکیب شوند.
- روشهای تکثر، ترجیحات ثانویه را نادیده میگیرند و اغلب به گزینههای قطبیکننده پاداش داده و اجماع را مجازات میکنند.
- شمارش بوردا بر اساس موقعیت رتبه، امتیاز اختصاص میدهد و از اجماع گسترده حمایت میکند اما در برابر دستکاری استراتژیک آسیبپذیر است.
- روش کوندورسه مسابقات جفتی را شبیهسازی میکند تا یک برنده واقعی اکثریت را پیدا کند، اما اگر ترجیحات یک حلقه چرخهای تشکیل دهند، ممکن است شکست بخورد.
- قضیه عدم امکان آرو ثابت میکند که هیچ الگوریتم رتبهبندی واحدی نمیتواند به طور همزمان تمام معیارهای انصاف ریاضی را برآورده کند.
بررسی عمیق دیدگاهها
تکثر (اولین نفر از خط پایان)
سادهترین و پرکاربردترین روش، که فقط ترجیحات انتخاب اول را شمارش میکند.
مزایا: درک، اجرا و حسابرسی آن بسیار آسان است. نیاز به حداقل بار شناختی از سوی شرکتکنندگان دارد. معایب: تمام دادههای ترجیحات ثانویه را نادیده میگیرد و اغلب منجر به «اثر مفسد» میشود که در آن دو گزینه مشابه، رأی اکثریت را تقسیم میکنند و به یک گزینه اقلیت قطبیکننده اجازه پیروزی میدهند. مناسب برای: زمانی که سرعت در اولویت است و تعداد گزینهها بسیار کم است (ترجیحاً دو گزینه). نامناسب برای: زمانی که سه یا چند گزینه بسیار رقابتی وجود دارد، زیرا در ثبت اجماع شکست میخورد.
شمارش بوردا (امتیازدهی موقعیتی)
یک الگوریتم اجماعساز که بر اساس موقعیت رتبه یک گزینه، امتیاز میدهد.
مزایا: عمق کامل ترجیحات کاربر را ثبت میکند. به شدت از نامزدهای اجماعی حمایت میکند که به طور گسترده برای اکثریت قابل قبول هستند، حتی اگر انتخاب اول همه نباشند. معایب: به شدت در برابر رأیدهی استراتژیک (رتبهبندی تاکتیکی پایین رقبا قوی) و اثر «تیم کلونها» آسیبپذیر است، که در آن افزودن گزینههای مشابه، دامنه امتیاز را دستکاری میکند. مناسب برای: رتبهبندی MVPهای ورزشی، اولویتهای شرکتی یا تصمیمات کمیته که فرض میشود شرکتکنندگان صادقانه رأی میدهند. نامناسب برای: زمانی که محیط بسیار رقابتی است و شرکتکنندگان انگیزه دارند ریاضیات را دستکاری کنند.
روش کوندورسه (مسابقات جفتی)
یک سیستم دقیق که هر گزینه را در برابر هر گزینه دیگر در مسابقات شبیهسازیشده ۱ در برابر ۱ آزمایش میکند.
مزایا: از نظر ریاضی برای شناسایی «اراده واقعی اکثریت» قوی است. اگر گزینهای وجود داشته باشد که بتواند هر گزینه دیگری را در یک رأیگیری رو در رو شکست دهد، کوندورسه تضمین میکند که آن گزینه برنده شود. در برابر اثر مفسد و رأیدهی استراتژیک بسیار مقاوم است. معایب: توضیح آن برای افراد عادی از نظر محاسباتی پیچیده است. مهمتر از آن، در برابر پارادوکس کوندورسه (تساویهای چرخهای) آسیبپذیر است، به این معنی که نمیتواند بدون تکیه بر یک الگوریتم ثانویه، برنده را تضمین کند. مناسب برای: زمانی که دقت و انصاف بالاترین اولویتها هستند و مخاطب به تجمیع ریاضی پیچیده اعتماد دارد. نامناسب برای: زمانی که سیستم باید یک برنده قطعی را بدون تکیه بر قوانین ثانویه شکستن تساوی تضمین کند.
آنچه نمیدانیم
- کدام الگوریتم رتبهبندی دقیقترین بازتابدهنده نیت روانشناختی انسان است، زمانی که رأیدهندگان مجبورند گزینههایی را که اطلاعات کمی درباره آنها دارند، رتبهبندی کنند.
- چگونه ظهور سیستمهای توصیهگر مبتنی بر هوش مصنوعی، تعاریف ریاضی سنتی انصاف در رتبهبندی را تغییر خواهد داد.
منابع
پوشش منابع
4 منبع
3 دیدگاه شناساییشده
- [1]Stanford Encyclopedia of Philosophyعملگرایان
Voting Methods
مطالعه در Stanford Encyclopedia of Philosophy → - [2]Wikipediaسازندگان اجماع
Borda count
مطالعه در Wikipedia → - [3]Wikipediaسازندگان اجماع
Condorcet method
مطالعه در Wikipedia → - [4]تیم سردبیری کوهستان
تحلیل تیم سردبیری کوهستان
مطالعه در تیم سردبیری کوهستان →
نظرات
هر زاویه. هر روز.
دریافت تحلیل داده اخبار همراه با پوشش کامل منابع و تحلیل دیدگاهها، مستقیم در صندوق ورودی شما.