今天课程讲了四种层层递进的方法， 简单平均、贝叶斯推理、动态加权、极化 。
一、简单平均
笔者举出了豆瓣给电影评分，采用的就是简单平均的方法。这种办法很靠谱，只要数量够大，投票相对独立，那么结果就会超过个体的判断。
评分当然可以不只是评分，可以大得多。可以是对已发生事件的评价，比如给电影打分；可以是对将发生事件的预测，比如民意调查；也可以是决策的扳机，比如你得分超过某个阈值就采取相应行动。
评价、预测、决策，三位一体，来自对群体智慧的聚合。找到正确的聚合方法，你就找到了撬动群体智慧的杠杆，能够撬动一切。
二、贝叶斯推理
豆瓣的简单平均法简洁但远不完美。比如有两个人给一部电影打5分，平均分5分；而另外一部是1万人打分，平均4.9分，这种情况怎么办？数据就不够权威。
另一种算法就比较好了，叫贝叶斯推理。简单来说，它给出了一个标准数，类似于基数，在这个基础之上，对数据有新了解在进行更改。
比如，我第一次跟你见面，我不了解你，对你一无所知，但是我对人类有点了解。我先入为主的看法就是好人和坏人三七开，七分好三分坏。那我跟你打交道，我就假设你也是三七开，我们在一起聊了一个小时的天，我给你多打一分，就变成二八开了；我们共事的一年，我觉得你特别棒，就变成一九开了。
三、动态加权
人人都有话份，在决策流程中都能发言参与，在发言资格的意义上大家是平等的，但彼此的话份就有差等。
有人水平高，决策效果的历史表现好，他们话份就大，反之话份就小。决策如果有意见分歧，则按“不同意见×话份”来解决分歧。 每次决策都有记录，根据决策效果反馈，随时更新每个人的话份。
每个人的权重不同，还是电影打分，水军跟观众就不同，观众和专业点评也不同，给更专业的人加权，这就是新的算法。
四、极化
对加权平均后形成的预测结果，再做一道加工：极化（extremize），将预测结果往100%或者0的方向推。
举个例子，特朗普能否连任美国总统？如果预测者加权平均后的预测概率是70%，那就把它上调到比如85%；相反，如果预测值是30%，那就把它下调到15%。
极化就是要捕捉这个自信：如果是乐观预测，极化会输出一个更乐观的预测；如果是悲观预测，极化会输出一个更悲观的预测。
