Un sistema de recompensa simple podría hacer que las multitudes sean mucho más sabias

Hay un problema con la sabiduría de las multitudes.

Las economías de mercado y las democracias se basan en la idea de que poblaciones enteras saben más sobre lo que es mejor para ellas que un pequeño grupo de élite. Este conocimiento es potencialmente tan poderoso que incluso puede predecir el futuro a través de los mercados de valores, intercambios de apuestas y vehículos de inversión especiales llamados mercados de predicción.

Estos mercados permiten que las personas intercambien "acciones" en posibles resultados futuros, como el ganador de las próximas elecciones. Cualquiera que tenga nueva información sobre el futuro tiene un incentivo financiero para difundirla comprando estas acciones. Los mercados de predicción ahora informan de forma rutinaria las probabilidades de las casas de apuestas y se citan en la cobertura de noticias de las elecciones junto con las encuestas de opinión más tradicionales.

Pero los mercados de predicción están experimentando una crisis de confianza en las habilidades de la multitud. Se han equivocado sistemáticamente sobre una serie de decisiones políticas de alto perfil, incluidas las elecciones generales del Reino Unido de 2015, el referéndum del Brexit y las elecciones presidenciales estadounidenses de 2016.

No deberíamos esperar una precisión perfecta en todas las ocasiones, al igual que sabemos, las encuestas de opinión a menudo tienen errores. Pero estar equivocado de manera tan consistente sobre eventos tan prominentes apunta a posibles fallas en las suposiciones que hacemos sobre la inteligencia de masas. Por ejemplo, las personas no siempre actúan sobre la base de la información que tienen y, por lo tanto, es posible que nunca se convierta en parte de la decisión de la multitud. La dinámica de las multitudes y los mercados también puede impedir que las personas presten atención a algunas fuentes de información.

Sin embargo, podría haber un camino a seguir. Mis colegas y yo hemos creado un modelo que supera este problema dando a las personas un incentivo para buscar nuevas fuentes de información. y una razón adicional para compartirlo.

Una pregunta importante para los mercados es "¿de dónde obtienen las personas su información?" Las investigaciones muestran que nuestras opiniones y actividades con frecuencia coinciden con las de nuestros compañeros. También tendemos a buscar información en los lugares más obvios, en línea con todos los demás.

Para dar un ejemplo, Si mira a su alrededor en cualquier transporte público de la City de Londres, probablemente verá gente con copias del Financial Times. Esto es un problema porque si todos tienen la misma información, la multitud no es más inteligente que un solo individuo. Los estudios muestran que tener una colección diversa de opiniones, especialmente incluidas las opiniones de las minorías, es fundamental para crear un grupo inteligente.

Entonces, ¿por qué tendemos a limitar las fuentes de nuestras opiniones? Una razón es porque tenemos un deseo innato de imitar a nuestros compañeros, comportarse de manera segura y aceptable dentro de nuestra comunidad. Pero también puede deberse a un Motivación con fines de lucro.

Estudiamos cómo se comportan las personas teóricamente motivadas por las ganancias cuando se enfrentan a los tipos de recompensas que se ven en situaciones similares al mercado. Para hacer esto, Creamos una simulación por computadora de un mercado de predicción, donde la gente recibió una recompensa por hacer predicciones correctas. Las recompensas fueron mayores cuando menos personas adivinaron la respuesta correcta, como en un mercado de predicciones o un intercambio de apuestas.

La recompensa que recibió una persona fue una cantidad fija dividida por la cantidad de otras personas que hicieron una predicción correcta. Se suponía que esto daría a las personas un incentivo para buscar respuestas correctas que otras personas no encontrarían. Pero descubrimos que la gente todavía se inclinaba hacia un subconjunto muy pequeño de la información disponible, al igual que los banqueros de Londres con sus copias del Financial Times.

Cuanto más compleja era la situación, cuanto menor sea el porcentaje de información disponible que la gente realmente utilizó. El problema era que cuanto más nicho, información no utilizada, aunque podría ser útil para el grupo, era tan rara vez útil para el individuo que lo poseía que no había ningún incentivo para que lo buscaran.

Nuevo sistema de recompensas

Para contrarrestar esto, Creamos un nuevo sistema de mercado de predicción teórico, donde las personas solo serían recompensadas si expresaban opiniones precisas, pero también estaban en minoría. Por ejemplo, si alguien predijo que Donald Trump ganaría las elecciones estadounidenses, en contra de la opinión de consenso, habrían recibido una recompensa una vez conocido el resultado. En cambio, si la mayoría de la gente predice con precisión que el Partido Conservador ganará las próximas elecciones en el Reino Unido, no recibiría ninguna recompensa.

Descubrimos que este sistema de "recompensas minoritarias", que favorece explícitamente a quienes van en contra de la opinión popular si resultan ser correctos, produjo decisiones colectivas mucho más precisas. Este fue especialmente el caso cuando las situaciones eran complejas, influenciado por muchos factores.

Intuitivamente, Esto tiene sentido. Si su opinión apoya la opinión popular existente, no puede cambiar si el grupo será correcto o no. En nuestro modelo, la gente tiene un incentivo para buscar fuentes de información más esotéricas sobre posibles resultados futuros. Por ejemplo, en lugar de leer el Financial Times, pueden seguir blogs oscuros, o lea los periódicos locales en busca de información sobre empresas de la zona.

Saben que solo encontrando información a la que muy pocos tienen acceso tendrán la oportunidad de ir correctamente en contra de la sabiduría prevaleciente. Esto anima a todo el grupo a reunir un conjunto de información mucho más amplio, conduciendo a decisiones colectivas más precisas.

Nuestros resultados se limitan hasta ahora a un modelo teórico, pero nos dan una idea de por qué las formas actuales de predicción de los mercados pueden ser propensas a fallar, y cómo podríamos intentar mejorarlos en el futuro. Esperamos que estos conocimientos se utilicen para crear mercados de predicción más precisos, ya que todos podríamos beneficiarnos de una mejor previsión colectiva.

Mejores predicciones y toma de decisiones colectivas podrían ayudar a la sociedad a decidir qué ideas políticas funcionarán o no. Mejorar la capacidad de los mercados de valores para predecir qué empresas e ideas tendrán un buen desempeño podría mejorar el retorno de la inversión y generar un mayor crecimiento económico. Incluso la academia es un ejercicio a gran escala de sabiduría colectiva. Si cambiar la forma en que se recompensa a los investigadores puede mejorar la sabiduría de esta multitud, podría conducir a descubrimientos científicos más importantes.