全票通过反而不妙：数学模型给"适度分歧"正名
评审团全票通过，董事会一致赞成，三个模型 ensemble 给出同一个答案——每当我们看到这种整齐划一，本能反应是"稳了"。一篇数学论文花了 16 个模型情形来拆这个本能。结论原话："the more confident a group seems, the less trustworthy it is."【直引】群…
全票通过反而不妙：数学模型给"适度分歧"正名
评审团全票通过，董事会一致赞成，三个模型 ensemble 给出同一个答案——每当我们看到这种整齐划一，本能反应是"稳了"。一篇数学论文花了 16 个模型情形来拆这个本能。结论原话："the more confident a group seems, the less trustworthy it is."【直引】群体看起来越自信，越不值得信。
论文发在英国皇家学会《Interface》期刊上，第一作者 Aurèle Boussard（图卢兹大学 CNRS 与利兹大学），合作者 R. Paul Mann 与 Aimée Pérez-Escudero。论文 8 月初就上线了，周六才被 phys.org 报道——滞后的报道，新鲜的想法，值得等。
模型里发生了什么
设定很朴素：一群人面对一个二元选择，每人手里有一点私有信息，同时能看见前面的人怎么选。贝叶斯框架给每个成员一套最优策略，在私有证据和社会证据之间称重。在这个基线上，"从众偏差"是一个可选插件——即使多数派与自己的私有证据冲突，也跟着多数走。它在社会性物种里无处不在，这也是这个模型最不想省略的成分。
然后是 2×2 再乘复杂度：两种信息传递方案、两种数学模型、不同决策难度，共 16 个情形。跑出来的分岔长这样——
无从众的世界很符合直觉：组员越一致，答案越可能对，全票就是金字招牌。把从众偏差一打开，这条同步关系断了。作者自己也意外，原话："We were surprised to predict a lower majority accuracy at high agreement."【直引】机制其实不难懂——从众让每个成员的票不再独立。第一个跟风的人把私有信息换成了社会压力，第二个跟得更轻松，票越一致，独立证据越稀薄。全票有时是十六份证据的合奏，有时是一个人唱、十五个人对口型，而站在台下的你分不出这两种。问题就在这。他们给这个现象起了名字："credibility-enhancing dissent"，能提升可信度的分歧。
别急着推广
模型的边界论文自己划了：只有二元选择，信息只有一个变量，基线里没有其他认知偏差。作者说下一步想拿真实行为数据来对，再看跟别的偏差怎么纠缠。它只管逻辑。所以这是一份数学推演，不是实验报告——它证明的是"全票不可靠"在逻辑上完全可能，至于现实里哪种会议属于哪一种，得看数据。
【判断】但这恰好是本周最该被引用的一条数学。站里昨天聊过榜单换尺子的事：当所有实验室都在同一批公开题上训练，榜单的一致性就有点像对口型——分数整齐，独立证据未必在。评审、投票、多模型共识，凡把"一致"当免费信号的场合，这篇论文都递了一根探测棒：分歧不是噪音，是各人还握着私有信息的痕迹。
下次看到全票通过，先别急着安心。问一句：他们是真的都看见了，还是只是都看见了对方？