Good Judgment Project：普通人的预测如何击败情报专家

在 IARPA 资助的四年预测竞赛中，Tetlock 团队的'Good Judgment Project'用普通志愿者+偏差训练+聚合算法，预测准确率比 rival 团队高 35-72%，比有绝密情报的情报分析师还高约 30%。

案例背景

2000 年代，美国情报界痛感"专家预测不准"。IARPA（情报高级研究计划局）于是发起 ACE 竞赛，向学界提出：谁能更准确地预测地缘政治事件？

宾州大学的 Philip Tetlock（名著《Superforecasting》作者）、Barbara Mellers、Don Moore 组建 Good Judgment Project（GJP），用一群业余志愿者（而非地缘政治专家）参赛。

方法：把集体智慧工程化

GJP 没有依赖"专家直觉"，而是把集体智慧拆成可训练、可聚合的环节：

招募大量普通志愿者作答概率预测
偏差训练（bias tutorials）：教志愿者校准概率、克服认知偏差（锚定、过度自信等）
独立预测先行：在讨论前先各自独立作答，保住独立性
聚合算法：把众多预测按历史准确率加权合并
识别"超级预测者（superforecasters）"：表现前 2% 的人组成小队，进一步加权

结果：集体智慧击败专家

GJP 在 2011-2015 竞赛中年年获胜
比 rival 团队准确 35%-72%
比拥有绝密情报的情报分析师还准约 30%
关键机制：聚合只在"判断真正独立且多样"时有效；一旦讨论破坏了独立性，优势就消失

为什么是集体智慧的经典范例

GJP 是"调查式（survey-based）"集体智慧最干净、可复现的示范——它证明：校准过的、独立的、被有效聚合的众包判断，系统性优于未受问责的专家直觉。 这与 Surowiecki 的"智慧群体四条件"完全吻合。

与 DSG 框架的呼应

GJP 的"先独立、后聚合、再训练"流程，几乎是 SFM Collaboration Spiral™ 的操作化版本：独立贡献（个体清晰）→ 聚合涌现（集体智慧）→ 反馈校准（持续改进）。它也给企业一个重要提醒——预测与决策前，先让每个人独立写下判断，再讨论，能显著提升集体判断质量。

来源

Good Judgment 官网
Tetlock & Gardner, Superforecasting: The Art and Science of Prediction (2015)
Mellers et al. (2014) Psychological strategies for winning a geopolitical forecasting tournament, The American Psychologist