看病难，看病贵已经是老生常谈的民生话题了。况且这么多的医生，患者该如何选择呢？别怕，声誉诠释系统要放大招了，小编来给你科普下。

图 | 网络

本文源自于 Rebooting Web of Trust 组织在 RWOT IX — Prague, 2019会议上的论文《Reputation Interpretation》的前半部分，主要介绍了声誉诠释系统的基本概况，下一期我们将会继续为大家阐述声誉系统的设计逻辑。

原文： 

https://github.com/WebOfTrustInfo/rwot9-prague/blob/master/final-documents/reputation-interpretation.md

作者：Arthur Brock, Kaliya Hamlin, Grace (Rebecca) Rachmany, Jakub Lanc

摘要

本文探讨了如何获取具有多个特征的“声誉”关系图以及如何创建可行的输出项，不过不会聚焦于这些过程的自动化，因为这些过程可以通过人工处理或通过软件来实现。

我们将人们可能拥有的声誉类型归类，比如有以下几类：

• 知识             

• 情商

• 通用技能

• 其他人的评价

产生的输出项一般会针对于不同的群体或决策，例如：

• 判断型决策          

• 图形或图表             

• 报告             

• 衍生声誉评估

• 对约定条款进行复杂的调整。举个例子，如果您要向某人提供工作，则输出项可能是对此人工作经历描述的更改 

该过程还可适用于商业实体和组织，而不仅是个人。

概述

本文的基本假设是，在为个人、实体或团体建立声誉时，所面临的问题不是如何收集数据，而是如何诠释数据。声誉的输入（数据）不断被收集，并在不同语境下有不同的理解。因此本文中，我们不探讨“什么是声誉“问题，也不探讨“如何创建可互操作的声誉标准”这个问题，而将重点放在如何诠释声誉数据。

在上图中，我们将本文中讨论的过程可视化。声誉诠释（位于中间方框）是本文的核心。尽管本文涉及整个诠释过程的输入项和输出项，但我们的重点是数据诠释的过程。在该过程中，各组织将以对该组织有意义的方式进行数据诠释。从这个意义上说，数据的上下文关系是决定性的。

下面是本文定义的声誉诠释过程。同时，该描述还充当了本文档中所使用术语的缩略语。一些术语可能是占位符，因为在本文之前尚未对这些概念进行明确定义。我们可以设想，声誉诠释过程一旦运行，该过程将按照以下时间顺序发生。

说明：在整个讨论中，我们将把如何为心理健康专业人员（例如治疗师或心理学家）诠释数据作为案例。

图 | 网络

• 输入条件：声誉诠释系统的用户 Bob 定义了特定上下文和输出所需的输入，并向 Alice 发送请求以获取所需信息。数据可以采用不同的格式，如某人可能会要求一个心理健康专家提供他的教育证书、MBTI 指数或其他人格特质结果、客户的证明信、同行评估意见以及测试结果等。

• 误差界限：Alice 会批准 Bob 所请求信息的某个子集。Bob 将在这些子集数据上定义“ 误差界限” 。误差界限表示了接近准确结果的程度。例如，如果保健专业人士没有发送任何证明信，这可能由于他们根本没有或者隐藏了这些证明信，那么声誉评分将考虑到这一点。

• 数据元素的规范化：数据，甚至相似类型的数据（例如评级或评论）都以不同的格式出现，因此需要执行某种形式的规范化处理，以便将数据变成系统可以理解并处理的格式。每条数据可能会对输出项的不同元素有影响。例如，如果输出项是对 Alice 所擅长处理患者类型的推荐意见， 则会把评论和评估中的特定项对应于 Alice 的专业部分，例如青少年或康复中的吸毒者。

• 关注的问题点：一旦数据规范化，将关注数据的一些特定问题。对每个群体或者系统来说，判定都是独立的。例如，对医疗诊所来说，Bob 可以判定对荣格心理学进行研究的行为是一种优势还是一种劣势。

• 权重：表示数据中每个元素的重要性。例如，同行评语占 Alice 声誉分数的30％。

• 信任度：是指数据的可靠程度。例如，在 MBTI 测试结果中，Bob 会考虑发布者的声誉以及该测试是否有漏洞。

• 正面、负面和破坏性因素：我们看到，考虑一些关注点时，有些具有积极意义，例如 Bob 希望对方是有经验的人。而有些则具有负面意义，例如 Bob 可能会认为，如果 Alice 获得了灵气治疗师的认证，那么 Bob 所在机构中的心理健康患者可能会认为其可靠性存疑。破坏性因素是一些一票否决的判定因素，例如，如果 Alice 的药物测试显示她吸毒，那么 Bob 将不允许她治疗任何患者。

• 处理数据：将数据规范化并考虑到一些问题点后，就可以处理数据以提供最终输出项。

• 输出项：声誉诠释过程的输出项是上下文相关的，并且是可行的。输出可能是数字，也可能是一个"是或否"的答案。但在许多系统中可能会更复杂。例如，Bob 可能会根据数据评估为 Alice 提供具有自定义约定条款的工作合同。             

系统的设计将按以下顺序进行（本文的行文也将按以下顺序进行）：

1. 定义输出项

2. 确定输入项

3. 定义数据规范化

4. 定义关注的问题点

5. 映射数据元素的关联和计算以产生输出项

定义输出项

关于声誉的许多讨论都集中在声誉的数值量度上。一般而言，在数字世界中，声誉被表示为某种数字，例如五星评级、声誉积分、信用等级、排名或以某种 token 形式累积的声誉。在数字身份社区中，凭证（credentials）或声明（claims）是声誉的另一种常见形式。Alice 可能会声称自己为某个特定雇主工作或持有某个学位，并会提供相关机构作出的有效验证，以证明她的声明全部真实有效。

虽然使用这些数字和证书很方便，也算是可接受的措施，但一直以来有个偏见，即认为用这些术语和数字来诠释声誉不一定可行。当 Bob （针对他自己或他的诊所）选择治疗师时，仅知道 Alice 获得了5星评级是不够的。也许 Bob 也想阅读其他患者长篇大论的经历，或者 Bob 会评估专业的同行意见。

同样，对于将“可行的” 视为二元决策也存在偏见。例如，Bob 可能正在做一个简单的选择：购买此服务。但 Bob 也可能面临一个复杂的选择，例如在诊所提供给 Alice 的工作条件、分配给 Alice 的工作量和病人类型等。

以下是我们小组讨论的结果类型的列表。对于本文而言，这是一个初步清单，可供 Bob 考虑不同类型的结果。欢迎为该列表提供更多建议。

可行的结果类型：

• 二元决策（雇用/不雇用）

• 分类（将 Alice 放在一个类别中，例如专业类别）             

• 匹配建议（根据患者的需求为患者提供推荐治疗师的列表）

• 约定条款或对约定条款进行更新（Alice 参加了专业培训并接受了许多评定，现在是时候进行审核并提升她的工作条件了）

• 从选项中选择（安排面试或会话、订阅、购买 Alice 已出版的书或在线课程）

• 筛选（提供某个工作机会的最佳候选人名单）             

• 评估（报告或其他长文评定，例如人格测验）             

• 上下文相关的声誉（将某人在某个环境中的排名或声誉值转换为在另一环境中的排名或声誉值）             

• 用于机器学习（根据不同患者的情况评估不同治疗方法的有效性）             

• 排名             

• 不合格

不同类型的输出项适用于不同的上下文语境和意图。在定义输出项时，要考虑的其它方面是：

• 目的：对输出执行什么操作，将其保留多长时间，这是一次性决策还是一个较大决策中的一部分。

• 相关动作：基于输出项将采取的动作。

• 决策标准：做出决策的重要因素。这取决于群体或个人做出决定时的情况和判断。例如，Bob 可能认为专业评审非常重要。

• 输出要求：输出显示的格式。例如，Bob 可能会获得一份有关 Alice 工作合同约定条款的决策报告。Bob 诊所的病人可能会收到不同的输出结果。Alice 的某些信息可能永远不会暴露给 Bob。例如，为了避免出现偏见，不会公开 Alice 的性别、年龄和种族等信息，尽管这些信息已被包含在系统中。

• 输出项的个性化：在某些情况下，Bob 可能希望提供个性化的输出项。例如，智商测试偏向某些种族和教育背景。Bob 可能希望得到一些个性化报告，这些报告或考虑到了这些偏向，或是基于不同教育背景生成的。相比教育背景一般的人，在那些具有较强学术背景的人身上，进修认证可能并没有那么重要。

案例：Bob 的输出将是雇用 Alice 的合同，匹配 Alice 的推荐客户以及一份在诊所网站上展示的关于 Alice 的简短概述，患者可以据此选择医师。

结语

分布式声誉是分布式协作平台的重要组成部分，本体会针对具体场景设计相应的分布式声誉系统。如果你对我们的分布式声誉系统感兴趣，欢迎加入我们的技术社区共同讨论该话题。下一期我们将带来该论文的下半部分，继续介绍声誉系统的设计逻辑。未完待续，敬请期待哦！