Objective Social Choice: Using Auxiliary Information to Improve Voting\n Outcomes
Notice bibliographique
Résumé
How should one combine noisy information from diverse sources to make an\ninference about an objective ground truth? This frequently recurring, normative\nquestion lies at the core of statistics, machine learning, policy-making, and\neveryday life. It has been called "combining forecasts", "meta-analysis",\n"ensembling", and the "MLE approach to voting", among other names. Past studies\ntypically assume that noisy votes are identically and independently distributed\n(i.i.d.), but this assumption is often unrealistic. Instead, we assume that\nvotes are independent but not necessarily identically distributed and that our\nensembling algorithm has access to certain auxiliary information related to the\nunderlying model governing the noise in each vote. In our present work, we: (1)\ndefine our problem and argue that it reflects common and socially relevant real\nworld scenarios, (2) propose a multi-arm bandit noise model and count-based\nauxiliary information set, (3) derive maximum likelihood aggregation rules for\nranked and cardinal votes under our noise model, (4) propose, alternatively, to\nlearn an aggregation rule using an order-invariant neural network, and (5)\nempirically compare our rules to common voting rules and naive\nexperience-weighted modifications. We find that our rules successfully use\nauxiliary information to outperform the naive baselines.\n
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».