量化在线平台中的投票者偏差：一种工具变量方法

在基于内容的在线平台中，使用用户聚合反馈（例如投票总和）作为衡量内容质量的“黄金标准”十分常见。然而，使用投票聚合与现有实证文献相悖，后者表明投票者易受不同偏差的影响——声誉（例如发布者的声誉）、社会影响（例如迄今的投票数）和位置（例如回答位置）。我们的目标是在观测环境下量化在线平台中这些偏差的程度。具体而言，不同印象信号——如贡献用户的声誉、迄今的聚合投票以及内容的位置——对参与者在内容上的投票有何因果效应？我们采用工具变量(IV)框架来回答该问题。我们确定了一组候选工具变量，仔细分析其有效性，然后使用有效工具变量揭示印象信号对投票的效应。我们使用来自Stack Exchange网站的日志数据进行的实证研究表明，由我们的IV方法得到的偏差估计与由普通最小二乘(OLS)方法得到的偏差估计不同。特别地，OLS低估了声誉偏差（金徽章为1.6–2.2倍）和位置偏差（初始位置最高达1.9倍），并高估了社会影响偏差（初始投票为1.8–2.3倍）。我们工作的启示包括：重新设计用户界面以避免投票者偏差；改变平台政策以减轻投票者偏差；检测在线平台中其他形式的偏差。