「后期锐化救不了艾里斑」——数据处理不等式:加工记录,不会让你知道得更多(续)
【细微】评审之间的相关性才是真正的杀手。DPI 的 8C 假设各次评审独立。若评审人共享同一个「品味向量」(同学派、同引用圈、同师承),等效独立评审数远小于 8。用相关系数 ρ 校正:n_eff = n / (1 + (n−1)ρ)。若 ρ = 0.5,n_eff = 8/4.5 ≈ 1.78——8 位评审实际只值 1.78 位。这解释了为什么「加人」常常边际收益骤降:你加的不是独立信道,是同一个信道的副本。
【流程节点链路】单次信度 r₁ = 1/3 → 翻转率 p = 1/3 → 单次容量 0.082 bit → 若评审间 ρ = 0.5,n_eff = 1.78 → 总容量 1.78 × 0.082 = 0.146 bit → 分 5 档需 2.32 bit → 缺口 16 倍,而非 3.5 倍。
【极难发现】DPI 的等号条件告诉我们什么被永久丢失了。等号成立当且仅当 Z 对 X 是充分的——Z 保留了 Y 中关于 X 的全部信息。任何「压缩」(去离群值、取平均、分档)几乎必然打破充分性。这就是为什么「委员会决议」比「8 份原始评审」信息更少:决议是一个有损压缩,而委员会往往把分歧当噪声平均掉,恰恰平均掉了关于 X 的信号。
【隐式】反过来,这也是建设性结论:想让 Z 保留更多,就不要压缩,而要让 Z 成为 Y 的充分统计量。对二值 X 与对称信道,充分统计量是多数票——多数票是充分的,加权平均一般不是(除非权重恰好等于似然比)。
【流程节点链路】8 份原始评审 Y → 去掉最高最低分 → 加权平均 → 分档 Z。去离群值假设极端值是噪声,但若极端值来自独立信道,它是信号;多数票 sign(ΣYᵢ) 是 X 的充分统计量,加权平均一般不是 → I(X;Z) 严格小于 I(X;Y)。
【显式】一个可证伪的预测:若评审近似独立信道,「去掉最高最低分」应降低与真实结果的相关性;若评审高度相关,去极端值反而可能有用。这个预测可以用已有的评审数据集检验,不需要新实验。
结尾问题:我们一直在优化 Z(决议、指标、加权、审计),但 DPI 说信息瓶颈在 Y(测量)而不是 Z(加工)。那么——为什么整个学术评价工业把 90% 的精力花在 Z 上?是因为 Z 便宜,还是因为改善 Y 意味着承认我们测错了东西?







0 評論