全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1362 28
2022-04-16
摘要翻译:
近年来,在线社交网络在政治竞选中日益突出,与此同时,一些国家经历了令人震惊的选举结果。本文提出了一个将这两种现象联系起来的模型。在我们的研究中,网络中的学习过程受到确认偏差的影响,即忽视相反的证据并将其解释为与自己的信念一致的倾向。当Agent对自身足够重视时,确认偏差会导致任何对称网络中的学习速度变慢,并加剧社会的两极分化。我们确定了一个代理子集,这些代理子集随着确认偏差而变得更/更不具有影响力。社会最优网络结构在很大程度上取决于社会规划者所能获得的信息。当她不能观察到智能体的信念时,最优网络是对称的,顶点传递的,没有自环。我们探讨这些结果对选举结果和媒体市场的影响。确认偏见增加了震惊选举的可能性,并推动边缘媒体采取更极端的意识形态。
---
英文标题:
《Social networks, confirmation bias and shock elections》
---
作者:
Edoardo Gallo, Alastair Langtry
---
最新提交年份:
2020
---
分类信息:

一级分类:Economics        经济学
二级分类:Theoretical Economics        理论经济学
分类描述:Includes theoretical contributions to Contract Theory, Decision Theory, Game Theory, General Equilibrium, Growth, Learning and Evolution, Macroeconomics, Market and Mechanism Design, and Social Choice.
包括对契约理论、决策理论、博弈论、一般均衡、增长、学习与进化、宏观经济学、市场与机制设计、社会选择的理论贡献。
--
一级分类:Economics        经济学
二级分类:General Economics        一般经济学
分类描述:General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类:Quantitative Finance        数量金融学
二级分类:Economics        经济学
分类描述:q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学,包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
英文摘要:
  In recent years online social networks have become increasingly prominent in political campaigns and, concurrently, several countries have experienced shock election outcomes. This paper proposes a model that links these two phenomena. In our set-up, the process of learning from others on a network is influenced by confirmation bias, i.e. the tendency to ignore contrary evidence and interpret it as consistent with one\'s own belief. When agents pay enough attention to themselves, confirmation bias leads to slower learning in any symmetric network, and it increases polarization in society. We identify a subset of agents that become more/less influential with confirmation bias. The socially optimal network structure depends critically on the information available to the social planner. When she cannot observe agents\' beliefs, the optimal network is symmetric, vertex-transitive and has no self-loops. We explore the implications of these results for electoral outcomes and media markets. Confirmation bias increases the likelihood of shock elections, and it pushes fringe media to take a more extreme ideology.
---
PDF下载:
-->
English_Paper.pdf
大小:(2.42 MB)

 马上下载

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-4-16 11:07:33
社交网络,偏见和令人震惊的选举sedoardo Gallo;Alastair Langtry,2020年11月3日摘要近年来,在线社交网络在政治竞选中变得越来越突出,与此同时,几个国家经历了令人震惊的选举结果。本文提出了一个将这两种现象联系起来的模型。在我们的设置中,在网络上向他人学习的过程是由错误偏见所决定的,即忽视相反的证据并将其解释为与自己的信念一致的倾向。在任何对称网络中,当智能体对自身给予足够的关注时,控制偏差会导致学习速度变慢,并加剧社会的两极分化。我们确定了一个代理子集,这些代理变得更/更少具有控制偏差。社会最优网络结构在很大程度上取决于社会规划者所能获得的信息。当她不能观察到智能体的信念时,最优网络是对称的,顶点传递的,没有自环。我们探讨这些结果对选举结果和媒体市场的影响。偏见增加了震惊选举的可能性,并推动边缘媒体采取更极端的意识形态。Jel:C63、D72、D83、D85、D91、L15。关键词:社会学习、偏见、网络、选举、媒体。*地址:剑桥大学和皇后学院,剑桥CB3 9ET,英国。电子邮件:edo@econ.cam.ac.uk。电子邮件:atl27@cam.ac.uk。感谢Nizar Allouch、Itai Arieli、Yakov Babichenko和Matthew Elliott的有益评论和建议。我们也感谢剑桥大学、东安格利亚大学和肯特大学的研讨会参与者。这项工作得到了剑桥金融研究基金会(CERF)和经济与社会研究理事会的支持[奖励参考ES/P000738/1]。任何剩余的错误都是作者的唯一责任。美国政治中最大的偏见不是自由偏见或保守偏见;它是一种欺骗偏见,或者只相信那些欺骗你已经相信的东西的冲动。我们不仅倾向于寻找并记住那些我们已经相信的信息,而且还有一种“反作用”,即人们在得到与他们相矛盾的证据后,会加倍相信他们的信仰。“你的事实还是我的?”纽约时报E.罗尔2016年10月25日报道。社交网络越来越成为人们获取信息和形成观点的主要渠道。邦德等人在2010年美国选举前进行了一项涉及6000万脸书用户的实验。[2012]显示,与没有社交网络信息的信息性信息相比,使用一条通知用户投票的朋友的社交信息,他们可以产生34万张额外的选票。与传统媒体或当地教堂、俱乐部或酒吧的集会不同,在线社交网络使用户很容易“不关注”不分享自己观点的人。这样一来,它们加剧了欺诈偏见的作用--人们倾向于忽视与自己观点相反的信息,并将其重新解释为与自己观点一致(Pariser[2011])。一个自然的问题是,在线社交网络在意见形成中日益增长的重要性,以及对欺诈偏见的高度反应,是否影响了民主进程,是否是特朗普获胜或退欧等令人震惊的选举结果的驱动力。本文的目的是研究欺诈偏见如何影响向他人学习的过程,及其对选举和媒体的后果。我们对社会层面的学习感兴趣,所以个人嵌入了一个大网络。他们在0时刻被赋予一个初始信念,并根据著名的DeGroot[1974]行为规则学习:他们通过取邻居信念的加权平均值来更新自己的信念。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-4-16 11:07:39
实验证明,这种DeGroot学习规则可以很好地预测人们如何从他人那里学习,特别适合于在一个大的网络中建模学习,在这个大的网络中,如果每个人都在贝叶斯更新和处理网络结构条件下的信息是不现实的。根据Rabin和Schrag[1999]的精神,模型中的con firemment bias意味着当一个人得知某人的信念与自己的信念相去甚远时,他们会忽略这些信念,而是给予自己的信念更多的权重。具体来说,在分配了最初的信念后,个人切断了与其他信念远离自己的人的联系。个人将这些被切断的联系的重量重新分配给他们自己,他们永远不会在这些联系被切断后恢复这些联系。在数学上,对模型中con偏差的理解归结为对原始网络和新的稀疏网络上学习过程的比较,结果表明,当agent对自己足够重视时,con偏差会降低任何对称网络中的学习。在证明中,我们应用了DirichletSee的概念,例如Corazzini等人的概念。[2012]和Chandrasekhar等人。(2020)。Choi等人案第17.2.5节。[2016]回顾了关于社会学习的实验证据。能量将控制偏差参数与网络矩阵的特征值的整个谱相关联,该矩阵控制向共识的收敛速度。代理人需要对自己给予足够的关注,这样他们的信念就不会在一段时间内摇摆不定。在数学上,这种限制保证特征值为正,这保证了大小的变化可以响应大小的变化。通过反例我们表明,结果不仅仅是网络变得稀疏,而且它严重依赖于con figurrmationbias的关键特征,即个体对自己的信念赋予了更多的权重:如果被切断的链接的权重被部分地重新分配给其他幸存的链接,那么学习可能会更快或更慢。虽然这一结果证明了网络是对称的,但我们通过仿真表明它在非对称网络中也很大程度上成立。切断链接的个人增加了他们的可信度,这一直观的结果并不总是成立。然而,我们可以表明,有些我们在听众中配音的个体,其在存在偏见时的倾向性增加(减少)。偏见的另一个后果是,社会在每一个时间点上都变得更加两极分化。社会规划者的一个自然目标是最大限度地增加社会向该时间点聚合的机会。con firemmation bias通过在个人之间进行明显的重新分配,并潜在地将网络分解为不同的组件--阻止初始信号的聚集,从而违背了这一目标。假设一个社会规划者不观察初始信号的分布或偏差的程度,我们刻画了使社会收敛于真理的概率最大化的网络集。给定要分配的链路预算,最优网络是对称的,没有自链路,它们的未加权等价是顶点传递的--一个规则网络的子集,这样每个节点在结构上都与网络中的其他节点等价。在论文的第二部分,我们考察了社会学习对选举和媒体市场的影响。在该应用程序中,我们将我们的sociallearning框架嵌入到一个两候选人投票模型中,在该模型中,真诚投票是一种弱优势策略,因此每当有选举时,个人都会投票给更接近他们当前信仰的候选人。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-4-16 11:07:45
我们限制信念的分布集中在一个有趣的情况下,即一个社会在学习发生之前和学习过程结束时投票给同一个候选人。如果另一个候选人在学习过程中的任何时间点获胜,我们就认为一个社会有令人震惊的选举。使用均值假设,我们证明了一个社会在没有欺诈偏见的情况下永远不会有令人震惊的选举,但如果欺诈偏见高到足以消除联系,它可以做到。最后,我们将我们的社会学习框架嵌入到一个Hotelling风格的媒体市场模型中。媒体玩家选择他们的编辑路线或意识形态,只关心最大化他们的受众。由于他们有限的注意力预算,个人只关注一个媒体组织。我们关注采用极端编辑路线的“边缘”媒体机构,并证明随着偏见强度的增加,边缘媒体机构的编辑路线变得更加极端。文献综述。本文处于行为经济学、社会学习和政治经济学的交叉领域。我们依次回顾每一篇文章,突出与这项工作特别相关的论文。认知偏差的研究在心理学上由来已久;Nickerson[1998]的一项全面评论显示了它与一系列问题的相关性,包括司法结果(Kuhn et al.[1994])、政策制定(Tuchman[2011])和医疗决策(Elstein andBordage[1979])。引用Nickerson的话说,这一文献的大量提出的一个问题是,“心理学文献中的偏见被用来指代各种现象”(第175页)。Nickerson[1998]的工作认知是“证据的获取和使用中的不知情选择性”(第175页),他特别强调了作为快速处理信息的启发式出现的偏见的非故意性质。贯穿心理学文献的核心思想是,人们对与自己的信念相违背的信息有偏见。在经济学文献中,Rabin和Schrag[1999]阐述了个体决策中的偏差是如何产生的。在他们的设置中,世界有两个国家。每当一个新的信号到达时,代理执行贝叶斯更新,当一个信号与代理当前的假设背道而驰时,代理就有可能误解为实际上符合她的假设;即q是补偿偏置的强度。Epstein[2006]提出了一个非贝叶斯更新模型,在该模型中,代理在收到信号后会“被诱惑”改变他们的信念。该模型能够通过选择一个适当的关于代理如何被诱惑更新他们的信念的规定来嵌套一个版本的代理偏差。我们的论文对行为经济学的主要贡献是分析了在多个代理通过社会关系相互学习的背景下处理信息时的代理偏差。随着个人越来越多地通过在社交媒体上分享信息而不是单独处理来自媒体来源的信息来学习,这一点可以说变得越来越相关。关键的一步是将偏见建模为减少个人愿意听取的意见。在Rabin和Schrag[1999]的框架中,这就转化为以asimilar方式忽略单个代理的信息。在我们的基本模型中,Annickern[1998]的开篇段落指出:“如果一个人试图找出人类推理中值得关注的一个单独的问题方面,那么conomyrmation偏见必须是考虑的候选项之一。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-4-16 11:07:51
许多人写过关于这种偏见的文章,人们似乎强烈而普遍地怀疑这种偏见本身是否可以解释个人、团体和国家之间发生的争议、争吵和误解的一小部分。“细心的读者会注意到,偏见的普遍性可能会延伸到引用本身。它类似于古尔和佩森多弗[2001]的模型,只是改变的是信念,而不是效用。代理人总是忽略离他们观点太远的信息,而不是只是在某些时候,就像拉宾和施拉格[1999]一样。放松这种假设并不能得到主要结果。社会学习。经济学中关于社会学习的研究始于Banerjee[1992]和Bikhchandani等人的开创性论文。[1992]其中理性的参与者在成功中采取行动,每个行动者都可以看到他们的前辈的行动。随后的一个相当大的工作分支通过在网络中嵌入代理和放松顺序移动的假设来丰富了这个基本框架。然而,在这种更复杂的设置中,可处理性是一个挑战,而保证完全的贝叶斯理性往往会将结果限制在表明在长期运行中向共识趋同(见Golub和Sadler[2016]进行全面审查)。此外,贝叶斯推理所要求的复杂性在大型社会中是不现实的,Corazzini等人[2012]通过实验表明,即使在小群体中,它也不能很好地预测个体的学习方式。另一种方法是假设智能体是非贝叶斯智能体,并使用一种行为规则从他人那里学习。DeGroot[1974]提出了一个简单的规则,即代理人通过对邻居的意见进行加权平均来更新他们的信念,他表明这个过程在温和的规律性条件下达到共识。DeMarzo等人[2003]在经济学中获得了这一设置,他们在收敛速度方面获得了新的结果,并将每个主体对该节点的贡献与各自的网络位置联系起来。最近,Golub和Jackson[2010]对导致社会正确聚合信息的网络结构给出了新的结果。我们的论文对社会学习文献的主要贡献是研究了confirermation偏差如何影响学习过程的结果,包括向共识的收敛、学习的速度和智能体的存在。据我们所知,这是一篇研究心理学偏见如何影响学习的论文。除了其内在的兴趣和应用之外,它还提供了一个检查现有的Degroot类型的学习结果是否对现实中普遍存在的偏差是稳健的。其目的类似于Golub和Jackson[2012]:他们考察了社会网络的一个普遍特征,即a如何同构地衡量社会学习和共识的速度。近年来,政治专家对几次选举结果感到惊讶,包括美国唐纳德·特朗普(Donald Trump)的当选,以及英国退欧公投的结果。这些事件发生在新闻消费从传统媒体向在线社交网络转移的同时,可能并不完全是巧合(Gottfried and Shearer[2016])。例如,Bakshy等人对1010万美国脸书用户的广泛研究[2015]显示,人们倾向于主要与朋友分享符合接收者侧面学的新闻,朋友的这种筛选比脸书在网络订阅源上的算法选择更强大,以限制对远处视角的接触。除此之外,关于“假新闻”及其对选举的潜在影响的文献越来越多。进一步讨论见附录a.1。其他使用DeGroot框架的论文包括Acemoglu等人。[2010],Gallo[2014]和Jadbabaie等人[2012]。Allcott和Gentzkow[2017]概述了最近的一些工作,并草拟了一个offake News模型。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-4-16 11:07:57
他们认为,如果代理人更喜欢虚假的新闻报道,那么新闻报道可能会变得扭曲,可能会降低民主国家选择高质量候选人的能力。本文展示了虚假偏见对我们向他人学习方式的影响如何导致令人惊讶的选举结果。特别是,偏见阻止我们直接从其他人那里学习,他们的信息与我们自己的观点不符。这意味着我们的即时性不能代表整个社会。因此,我们可以在主题术语中摇摆一个方向,即使信息在集合中的权重指向另一个方向。在短期/中期内,这样做的结果是,一旦发生了长期的信息聚合,社会可能会投票给一个不会被大多数人支持的候选人。本节介绍了模型的主要要素:网络和初始信号、学习过程,以及我们建立预测偏差模型的方式。考虑一组N={1,2,...,N}的代理,它们通过有向的加权网络T∈T进行通信。T是具有n个节点的所有网络的集合。条目tij∈[0,1]表示agent i对agent j的视图赋予的权重,且pj∈ntij=1对于所有j;所以T是随机的。自我链接是代理人对自己观点的重视。i和j之间的有向路径oflength l是一个链路序列Tik,…,Tkl-1j,这样路径上没有两个节点是相同的。我们假设T是强连接的--从任何一个agent到任何其他agent都有一条有向路径--并且是非周期性的--没有循环。我们说如果tij>0,agent i监听j,如果tji>0,则j监听i。表示byNouti(T)={j∈ntij>0}是主体I的邻域,表示by douti(T)=Nouti(T)是主体I的邻域度。同样,Nini(T)={j∈Ntji>0}是agent I的邻域度,dini(T)=Nini(T)是agent I的邻域度。如果tij=tji对于所有i是对称的,j∈N,当它是对称的时,thendini(T)=douti(T),当dini(T)=din(T)和douti(T)=dout(T)时,它是正则的。每个agent被赋予一个关于世界潜在状态的信号θi∈[0,1],我们在文献中得到了一个标准假设,即agent i在T=0时刻的初始信念xi0等于i接收的初始信号。注意agent i的初始信念xi0与i在网络T中的位置无关。在每一个时间段内,一个代理通过对她当前的信念和她所听的代理的信念进行加权平均来更新她的信念。从数学上讲,智能体在时间t的信念使得信号的分布不明确,因为它与论文中的结果无关。等于xt=t*xt-1。通过迭代,我们得到了xt=(t*)tx,所以我们可以从初始信号和网络中推导出t时代理的信念。在学习过程的第一步,代理真实地分享他们的信号,因此代理学习他们邻居的初始信念。我们假设,当一个有偏见的代理人得知邻居的信仰和她自己的信仰之间的关系超过一个阈值时,她忽略了那个邻居,并将她本应赋予邻居信仰的权重转移到她自己的信仰上。此外,在接下来的学习过程中,她再也不听邻居的信息了。网络T上的一个社会,其中代理具有控制偏差q根据网络T*进行通信,使得:如果xi0-xj0>(1-q),则T*ij=0T*ii=tii+tiijerwise T*ij=tijt*ii=tiimatherwise T*ij=tijt*ii=tiimatherwise,其中代理具有控制偏差q的社会通过一个网络T*进行通信,该网络T*与T相比链接被切断,并且被切断的链接的权重被重新分配给自链接。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群