Does within group diversity always lead to better group recognition?
Notice bibliographique
Résumé
The wisdom-of-crowds effect is the tendency of a group to perform better than most individuals and sometimes better than the best individual within the group. This phenomenon was first demonstrated for tasks that required estimations of weights or sizes (Bruce, 1935; Galton, 1907; Gordon, 1924). However, a ubiquitous observation is that certain groups perform better than others, and one factor that appears to play a role in obtaining a good group performance is diversity. For example, simulations have shown that groups of diverse algorithms can outperform groups made of the best algorithms (e.g. Hong & Page, 2004). Here, we evaluated whether group diversity in the individual members’ use of information for face identification—measured using the Bubbles method—is also associated with group performances in face recognition—measured using the Cambridge Face Memory Test (CFMT). We randomly generated groups of sizes 2 to 11 from a sample of 102 participants. Group performance was obtained by averaging the result of the application of the majority rule on all CFMT trials. Group diversity was indexed by the inverse of the average Pearson correlation between the group members’ standardized classification images. Our main result is that, contrary to what we expected from the literature, diversity in use of information is negatively correlated with group performance (across group sizes: r = -.23; p < .05, two-tailed, Bonferroni-corrected). This seems to stem from inefficient human strategies for face identification being more diverse than efficient ones and, therefore, from diverse groups containing more unskilled than skilled participants. In any case, our results show that factors other than diversity can be important for predicting group performances.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».