DAOrayaki ｜通过匿名和声誉解决DAO中的群体思维和偏见

欧意交易所

全球前三大交易所之一，新用户注册最高可得230USDT奖励，同时可拆数字盲盒，100%可以获得数字货币，最高价值60000元

点击注册 进入官网

贡献者：DAOctor 

审核者：shaun 

原文：How Anonymity Can Solve Group-Think and Bias in DAOs

一、DAO中的影响力攻击

讨论是DAO的关键要素之一。

•  协调成员之间的任务

•  提出和讨论想法及提案

由于提案有效地指导了 DAO 的决策和财务支出，以至于在审议阶段DAO很容易受到影响力的攻击。

这是一个经典问题，游说者使用不同的策略来影响提案的决策。例如：交换条件、贿赂、胁迫、勒索等。

我们相信，在提案的创建、审议和投票过程中，真正的匿名性可以解决大多数的影响力攻击。

二、链上治理系统中的人格偏见问题

研究发现 DAO 在创建和审议提案时面临的三个挑战。

1）DAO 成员的技术和知识不对称

由于DAO 由具有不同知识水平的参与者组成，因此：

• 许多成员无法准确评估复杂的提案

• 即使简单的提案，用户也无法判断某些动作的二阶和三阶效应

• 成员们缺乏动力去花时间熟悉提案以做出更明智的决策

• 进一步导致在评估期间缺乏参与，并且对提案的批评不太有效。

2）过度依赖身份来评估提案

没有时间或专业知识研究提案，时间或知识储备不足的用户依赖于来自高地位成员的社交启发来判断提案是“好”还是“坏”。

3）评论中的身份和偏见问题

这导致 DAO 决策根据身份（高或低）而不是提案优点来评估和接受。

有意识和无意识的偏见是学术界公认的问题，并且已被广泛研究。例如，与双盲审稿人相比，非盲审稿人更有可能接受著名作者或顶级机构的论文[1-3]。

三、通过匿名技术解决偏见

几十年来，学术界一直在与这种偏见作斗争，并已开始使用信息技术消除其审查系统中的偏见。

然而，由于工具不足，DAOs 并没有解决这个问题。我们认为，可以首先概述 DAO 中参与者的动态来解决偏见。换句话说，DAO 既有明显的偏见—“超级明星”故意劫持提案，也有隐性的偏见，即提案不是仅根据优点来判断的。

1）专家：在特定领域具有高技能、知识或贡献的人。

• 由于提案者的历史工作和可靠性，专家的提案更容易“信任”。

• 专家和非专家的意见和讨论质量存在差异

• 非专家缺乏时间或技能来正确阅读和理解提案。

• TLDR：DAO 的专业知识具有内在优势，可用于帮助非专家

2）地位：相对的社会或职业地位；

• 无论专业水平如何，地位高的成员绝对值得信。

• 用户融合了地位、专业知识和信任。例如，节点操作员可能具有较高的地位，但专业知识和信任度较低。

• 地位高的人自私地行事并得到承认

• 地位低的人为 DAO 的利益行事，但会被忽略

3）高地位成员的提案带有内在的积极偏见（高信任度，低审查度）

4）低地位成员的提案带有固有的负面偏见（低信任度，无可见度）。

TLDR：DAO中的地位有固有的缺点，会降低讨论的价值

四、引入匿名，将会发生么？

然而匿名性缺乏突出的、个性化的或不寻常的特征。

• 匿名从话语中剥夺了地位和专业知识的信号。

• 每个人的审查都会增加（高地位、低地位、专家和非专家）

• 增加了治理疲劳，所有职位都受到平等审查。

• 增加了垃圾邮件的风险。

在线信誉系统在减少疲劳和垃圾邮件方面有着成功的历史。具体来说，Stack Overflow 已被证明在Crowd文档和讨论方面非常成功。一般来说，专家在 Stack Overflow 上的行为和有效性也得到了研究和记录[4-5]。

当 Anonymity 和 Reputation 结合时，一个具有理想属性的 Robust 讨论系统就出现了[6]。即：

• 随着时间的推移积累的专业知识数量：

• 只有专家才能发提案（减少疲劳）

• 较少的专家可以 TLDR，赞成/反对提案和话题（减少疲劳）

• 专家可以调节垃圾邮件（减少垃圾邮件）

• 专家可以示意性地直接讨论（提案）

• 专家可以获得更多的专业点数（增加参与激励）

• 没有技能的用户（非专家）现在可以依赖有贡献历史的专家，而不会被依赖纯粹身份的非专家所左右。

参考文献：

[1] Reviewer bias in single- versus double-blind peer review

Andrew Tomkins, Min Zhang, and William D. Heavlin

[2] Nobel and novice: Author prominence affects peer review 

Jürgen Huber, Sabiou Inoua, Rudolf Kerschbamer and Vernon L. Smith

[3] Understanding and supporting anonymity policies in peer review

Syavash Nobarany and Kellogg S. Booth

[4] Crowd documentation: Exploring the coverage and the dynamics of API discussions on Stack Overflow

Georgia Technical Report

[5] Towards Dynamic Interaction-Based Reputation Models

A. Melnikov, J. Lee, V. Rivera, M. Mazzara and L. Longo

[6]The Importance of Reputation for the Evolution of Decentralization

Craig Calcaterra, Wulf A. Kaal