简易调查：受推荐系统启发的响应采集方法

在过去十年中，简易评分与比较调查在社交和数字媒体平台上的使用激增，以支撑推荐系统。这些简易调查及其与机器学习算法的结合，揭示了用户对不断增长的庞大项目池（如电影、歌曲和广告）的偏好。社会科学家在测量感知、偏好和意见方面有着悠久的历史，通常针对较小、离散的项目集采用穷尽式评分或排序调查。本文引入面向社会科学应用的简易调查。我们开展了实验，在三种不同情境下——谷歌街景图像的安全感感知、艺术品的可喜程度、动物动图的滑稽程度——使用四类简易调查（两两比较以及 2 分、5 分和连续量表评分）来比较个体与聚合比较评估的预测准确性。跨情境地，我们发现连续量表评分最能预测个体评估，但耗费最多时间与认知努力。二元选择调查速度快，且在预测聚合评估（对集体决策任务有用）方面表现最佳，但在预测个性化偏好方面表现糟糕，而 Netflix 目前正用它来推荐电影。相比之下，两两比较在预测个人评估方面表现良好，但在预测聚合评估方面表现糟糕，尽管其被广泛用于众包创意与集体偏好。我们展示了如何将这些调查的结果可视化于低维空间中，从而揭示受访者对各情境中所提问题的不同解读。最后，我们反思了稀疏、不完整的简易调查与传统调查在效率、所引出信息以及“对更多事物了解更少”可能至关重要的场景等方面的差异。