同行评审中的激励机制设计：评级与重复内生匹配

同行评审（例如大规模开放在线课程 (MOOCs) 中的作业评分、学术论文评审）是在专用评审专家（如助教、编辑）数量有限时，评估大量代理人产品（如作业、论文）的一种有效且可扩展的方法。同行评审面临两个关键挑战：1) 识别评审者的内在能力（即逆向选择），以及 2) 激励评审者付出高努力（即道德风险）。机制设计中的一些工作利用一次性匹配规则解决纯逆向选择问题，而在具有外生给定且固定匹配规则的重复博弈中解决了纯道德风险问题。然而，在同时存在逆向选择和道德风险的同行评审系统中，一次性或外生匹配规则无法将代理人当前的行为与未来的匹配及收益联系起来，正如我们所证明的，这将导致短视行为（即付出最低努力），从而导致最低的评审质量。在本文中，我们首次提出了一种同时解决逆向选择和道德风险的方案。我们的方案利用代理人的重复互动，使用评级来总结代理人过去的评审质量，并设计了内生依赖于代理人评级的匹配规则。我们提出的匹配规则易于实施，且无需了解代理人的私有信息（例如其收益和成本函数）。然而，它们能有效引导系统达到均衡，在该均衡中代理人被激励付出高努力，并获得精确反映其评审质量的评级。通过几个说明性示例，我们量化了与现有的一次性或外生匹配规则相比，我们提出的机制所获得的显著性能提升。