Onderzoek  ›  Casebibliotheek  ›  Case 08: Information Cascades
Case 08 / 31  •  Thema: Weten

Information Cascades

Veel overeenstemmende antwoorden kunnen uit één enkele informatiebron voortkomen en dus minder bewijs bevatten dan ze lijken.

In een informatiecascade kunnen zichtbare keuzes van anderen zwaarder wegen dan eigen private informatie. Een verwant risico in AI-omgevingen is dat meerdere documenten onafhankelijk lijken maar dezelfde bron delen.

✓
OnderzoeksstatusOnderzoekslijn in ontwikkeling
☆
AI-relevantieAI kan een bestaand effect versterken
⚙
KernideeEvidential dependence / social learning
⌾
OnderbouwingBronnen en beperkingen samengevat; onafhankelijke review staat nog open.
◇
CasetypeSociaal-leermechanisme
“
In één zin

Veel overeenstemmende antwoorden kunnen uit één enkele informatiebron voortkomen en dus minder bewijs bevatten dan ze lijken.

Het verhaalOver hoe de case ontstaat en ons denken kan misleiden.

In cascade-modellen zien mensen eerdere acties en ontvangen ze eigen private signalen. Zodra de publieke geschiedenis sterk genoeg is, kan een rationele volgende actor de eerdere keuzes volgen en het eigen signaal negeren. Latere overeenstemming wordt dan zichtbaar zonder evenveel nieuwe informatie toe te voegen.

Wat weten we?Bewijs, onderzoek, kritische inzichten en wat we nog niet weten.

Bikhchandani, Hirshleifer en Welch (1992) leiden cascades af binnen een gespecificeerd model van opeenvolgende keuzes. Laboratoriumgedrag dat op een cascade lijkt, toont niet op zichzelf aan dat deelnemers de veronderstelde Bayesiaanse redenering gebruiken; Huck en Oechssler (2000) laten zien waarom taakopzet en beslisregels ertoe doen. De organisatorische toepassing op bronnen met een gedeelde oorsprong is verwant, maar niet noodzakelijk een formele cascade.

Wat is het mechanisme?Welke verklaring het best past bij wat we zien.

Observed actions comprimeren vroegere private informatie. Wanneer afgeleide artefacten dezelfde oorsprong delen, stijgt zichtbare consensus sneller dan onafhankelijke evidential weight.

Wat verandert AI?Hoe AI het mechanisme kan versterken of zichtbaar maken.

Te onderzoeken AI-toepassing: AI maakt afgeleide informatie goedkoop. Samenvattingen, agents en documenten kunnen steeds dezelfde bronketen herhalen. Daardoor kan een bestaand probleem van sociaal leren en bronafhankelijkheid worden versterkt.

Wat willen we testen?Welke vraag we concreet verder willen onderzoeken.

Voorgestelde toets, nog niet uitgevoerd: laat gebruikers een bewering beoordelen aan de hand van meerdere onafhankelijke bronnen of meerdere uitwerkingen van één bron. Maak in één variant die gedeelde herkomst zichtbaar. Meet vertrouwen en het gewicht dat gebruikers aan bronnen geven.

Wat nemen we mee?Wat deze case voorlopig betekent — en waar de grenzen liggen.

Het aantal mensen dat iets onderschrijft, bepaalt niet op zichzelf hoeveel bewijs er is. Ook telt welke informatie aan hun oordeel ten grondslag ligt.

Gedeelde bronafhankelijkheid is een verwant risico. Van een formele cascade is pas sprake wanneer latere keuzes eigen informatie niet meer volgen onder het gespecificeerde sequentiële model.

BronnenPrimaire en belangrijkste wetenschappelijke bronnen.

Bikhchandani, Hirshleifer & Welch (1992), A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades

Bikhchandani, Hirshleifer & Welch (1992), full article

Huck & Oechssler (2000), Informational cascades in the laboratory: Do they occur for the right reasons? — 1999 working paper; final 2000 wording may differ

Bikhchandani en collega’s beschrijven het sequentiële model en de voorwaarden voor fragiliteit. Huck en Oechssler laten zien dat gelijklopende keuzes de veronderstelde redenering niet vanzelf aantonen. Voor hun onderzoek is het werkdocument uit 1999 gebruikt; de definitieve formulering uit 2000 is niet volledig vergeleken. Gedeelde bronafhankelijkheid is een verwant maar afzonderlijk te toetsen probleem.

Geef feedback

Schema op groot formaat