量化在线平台中的选民偏见：工具变量方法

在基于内容的在线平台中，使用聚合用户反馈（例如投票总和）来衡量内容质量是常态，被视为“金标准”。然而，使用投票聚合与现有实证文献相悖，因为选民容易受到各种偏见的影响——声誉（例如发帖者的声誉）、社会影响（例如目前的投票）以及位置（例如回答的排名）。我们的目标是在观察性设置中量化这些在线平台中的偏见程度。具体来说，不同的展示信号——如贡献用户的声誉、目前的聚合投票以及内容的位置——对参与者投票的因果效应是什么？我们采用工具变量（IV）框架来回答这个问题。我们识别了一组候选工具变量，仔细分析其有效性，然后使用有效的工具变量揭示展示信号对投票的影响。我们使用Stack Exchange网站的日志数据进行实证研究，结果表明我们IV方法估计的偏见与普通最小二乘法（OLS）估计的偏见存在差异。具体而言，OLS低估了声誉偏见（对于金徽章为1.6-2.2倍）和位置偏见（对于初始位置高达1.9倍），而高估了社会影响偏见（对于初始投票为1.8-2.3倍）。我们工作的意义包括：重新设计用户界面以避免选民偏见；修改平台政策以减轻选民偏见；检测在线平台中的其他偏见形式。