Under independence and individual competence above chance, majority judgment becomes increasingly reliable as the group grows.
1The problem it solves
The Condorcet theorem formalizes why aggregating many modestly competent judgments can outperform a single expert. But its power comes from assumptions that social systems routinely violate—especially independence. Herding, common information, correlated incentives, and shared models can make a thousand votes behave epistemically like one.
2The idea
If each voter is even slightly better than chance and votes independently, the probability that the majority is right approaches certainty as the group grows.
3Origin & context
Formulated by the Marquis de Condorcet in the eighteenth century as part of mathematical analysis of collective decision-making. Modern social epistemology uses it to clarify when democracy, committees, prediction aggregation, and crowds can possess epistemic advantages.
4Canonical example
A thousand slightly-better-than-random judges beat one expert. The condition doing all the work is independence.
5Objections & replies
Objection. Voters are not independent; they consume the same media and influence one another.
Reply. Exactly. The theorem is conditional, not a blanket defense of majority rule. Correlation can dramatically reduce the effective sample size, which is why source independence is the key practical variable.
Objection. Some individuals are worse than chance or have systematically biased incentives.
Reply. Then larger groups can make things worse rather than better. The theorem’s competence assumption must be defended, and weighting or institutional design may be preferable to simple majority aggregation.
6Don't confuse it with
Condorcet theorem vs. wisdom of crowds in general
Condorcet is a precise result for binary judgments under specific competence and independence conditions. ‘Wisdom of crowds’ is a broader family of phenomena.
Independence vs. diversity
People can be demographically or ideologically diverse while their errors remain correlated through common data or methods.
7Common mistakes
- Counting heads instead of estimating effective independent information sources.
- Invoking the theorem when each member is simply repeating the same analyst, model, or upstream source.
8In your work
The formal case for aggregation, and the exact reason cascades are so destructive: they destroy the independence the theorem requires while leaving the appearance of a large sample.
9Check yourself
One hundred analysts independently receive the same flawed vendor dataset and all reach the same conclusion. Does Condorcet give you strong confidence?
Show answer
No. Their judgments are highly correlated through a common error source. The apparent group size is 100, but the effective independent evidential base may be close to one.
اگر داوریها مستقل باشند و هر فرد اندکی بهتر از تصادف عمل کند، با بزرگترشدنِ گروه احتمالِ درستبودنِ اکثریت افزایش مییابد.
1مسئلهای که حل میکند
قضیهٔ کندرسه توضیح میدهد چرا تجمیعِ داوریهای متوسط میتواند از یک متخصص بهتر باشد. اما قدرتِ آن کاملاً از فرضهایی میآید که در نظامِ اجتماعی مرتب نقض میشوند—بهویژه استقلال. تقلید، اطلاعاتِ مشترک، انگیزههای همبسته و مدلِ یکسان میتواند هزار رأی را از نظر معرفتی به یک رأی تبدیل کند.
2ایدهٔ اصلی
اگر هر رأیدهنده حتی اندکی بهتر از تصادف باشد و مستقل رأی دهد، احتمالِ درستبودنِ اکثریت با بزرگشدنِ گروه به یقین نزدیک میشود.
3خاستگاه و زمینه
مارکی دو کندرسه در قرن هجدهم آن را در تحلیلِ ریاضیِ تصمیمِ جمعی مطرح کرد. معرفتشناسیِ اجتماعیِ جدید از آن برای فهمِ شرایطِ مزیتِ معرفتیِ دموکراسی، کمیته و تجمیعِ پیشبینی استفاده میکند.
4مثالِ کلاسیک
هزار داورِ اندکیبهترازتصادف از یک متخصص بهتر عمل میکنند. شرطی که تمامِ کار را میکند، استقلال است.
5اعتراضها و پاسخها
اعتراض. رأیدهندگان مستقل نیستند؛ رسانهٔ مشترک میبینند و بر هم اثر میگذارند.
پاسخ. دقیقاً. قضیه شرطی است نه دفاعِ کلی از اکثریت. همبستگی اندازهٔ نمونهٔ مؤثر را بهشدت کم میکند، پس استقلالِ منبع متغیرِ عملیِ مرکزی است.
اعتراض. بعضی افراد بدتر از تصادفاند یا انگیزهٔ سوگیرانه دارند.
پاسخ. در آن صورت گروهِ بزرگتر حتی میتواند بدتر شود. فرضِ شایستگی باید دفاع شود و وزندهی یا طراحیِ نهادی ممکن است بهتر از اکثریتِ ساده باشد.
6با اینها اشتباه نگیرید
قضیهٔ کندرسه و خردِ جمعی بهطور کلی
کندرسه نتیجهای دقیق برای داوریِ دوتایی با شرایطِ مشخص است؛ «خردِ جمعی» خانوادهای گستردهتر از پدیدههاست.
استقلال و تنوع
افراد میتوانند جمعیتشناختی یا ایدئولوژیک متنوع باشند اما خطایشان بهسببِ داده یا روشِ مشترک همچنان همبسته باشد.
7خطاهای رایج
- شمردنِ تعدادِ افراد بهجای برآوردِ تعدادِ منابعِ واقعاً مستقلِ اطلاعات.
- استناد به قضیه وقتی همه در اصل همان تحلیلگر، مدل یا منبعِ بالادستی را تکرار میکنند.
8در کارِ شما
استدلالِ صوری به سودِ تجمیع، و دقیقاً دلیلِ ویرانگریِ آبشارها: استقلالی را که قضیه لازم دارد نابود میکنند و در عین حال ظاهرِ نمونهٔ بزرگ را حفظ میکنند.
9خودآزمایی
صد تحلیلگر مستقل همان مجموعهدادهٔ معیوبِ یک فروشنده را دریافت میکنند و به یک نتیجه میرسند. کندرسه باید اطمینانِ شما را خیلی بالا ببرد؟
نمایش پاسخ
نه. داوریها از راهِ خطای مشترک بهشدت همبستهاند. اندازهٔ ظاهریِ گروه ۱۰۰ است، اما پایهٔ شاهدیِ مستقل ممکن است تقریباً یک باشد.