本文源自於 Rebooting Web of Trust 組織在 RWOT IX — Prague, 2019會議上的論文《Reputation Interpretation》的後半部分，我們將繼續延續上一期的話題，為大家詳細闡述聲譽系統的設計邏輯。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確定輸入項一旦明確定義了輸出項，就可以確定用於達到該輸出的輸入項。瞭解最終結果的需求，有助於對遍歷大量可用資訊等任務進行簡化，完成這種看似不可能完成的任務。

本文不會定義可用的輸入型別或對其進行分類，也不會對如何提供輸入項作出任何建議。以下是在確定輸入項時 Bob 需要注意的事項。· 理想：理想的結果在各個方面都很完美。Bob 將擁有 Alice 的所有學歷記錄、Alice 的每位患者的每項結果、同行評價及患者評價等。所有這些“完美的”資訊100％可靠，而且沒有漏洞。        · 可用：在現實世界中，並非所有資訊都可用。例如，理想情況下，Bob 想知道 Alice 每個服務物件的症狀或主訴、治療時間長短以及最終結果。例如，Alice 可能花了三個小時來消除某人的恐懼症，或許她已經對其進行了三年的治療，但其症狀仍未消除。且理想情況下，Bob 可以訪問 Alice 每位患者的相關資訊。但實際上通常是沒有這些資訊的。即使未來患者可以釋出這些資料（匿名資料），但不是 Alice 的所有客戶都會公開這些資訊，因此資訊並不完整。· 成本：某些資料需要花錢，包括實際購買資料及處理資料。基於以上這些考量因素，Bob 最終將獲得他向 Alice 請求的資料和資料來源列表。

誤差界限現在，Bob 向 Alice 提出了對資料的請求，Alice 提供了全部或部分資料。透過檢視這些資料，Bob 可以評估誤差界限。但無法確認 Bob 是否知道 Alice 根本沒有該資料（例如，她從未進行過 Myers-Brigg 評估），或者她是否有意隱瞞資料（例如，從簡歷或 LinkedIn 個人資料中刪除經歷）。Bob 會根據資料的完整性或不完整性確定最終分數的“ 可靠性” 或“ 誤差界限” 。在確定誤差界限時，一些資料可能比其它資料更關鍵。 例如，如果 Alice 缺少學術機構的測試結果，則 Bob 可能認為這是誤差界限的一個次要因素，但如果她缺少學術機構的真實證明，則在確定誤差界限時會被認為是較為重要的因素。因為這會讓人懷疑 Alice 聲稱自己現在畢業的申明是否真實，從而對她所有其它自我證明的事項都感到懷疑。本文作者就將誤差界限作為報告中的“ 總體” 評分來計算，還是將其分別應用於每項資料進行了討論。計算順序是一個實現問題。本文指出資料完整性是需要納入考量的問題，這取決於聲譽詮釋系統的使用者想要怎麼實現。資料規範化收集資料後，需要對資料進行規範化（標準化）以使其易於理解和處理。以下是資料規範化的注意事項。

· 資料的格式可能難以理解或不統一。例如，等級可以使用1-5或1-10的數字標度（奇數標度具有中間選項而偶數標度沒有），等級評估方式眾口難調，評分維度多樣化（專業性、有效性、友好度及對家庭作用等）。收集專業評估或評論的系統可能需要規範化資料，以便以相似的範圍提供所有資料。             · 資料可能有漏洞。系統本身可能存在漏洞：人們可能會發表虛假評論，入侵系統，對某些行為有偏見等。             · 使用者控制。某些機構會提供未經審查的資料。例如，大學成績單包含全部課程的所有成績，而 Alice 無法編輯任何內容。但在 LinkedIn 中，當有人提供推薦時，Alice 可以接受或拒絕，或請求對評論進行更改。這不是“ 篡改”系統，而是每個系統在使用者控制方面的不同級別。             · 發行人的可信度（非正式意義上的聲譽）。對 Bob 而言，一份來自某個商學院的成績單，它的價值多少取決於該商學院的聲譽，以及 Bob 如何看待“應用知識”和“學術知識”等。             · 對資料型別的偏見。例如，由於人為偏見，評論系統往往偏向於兩個極端的評論。如果人們覺得還不錯或中立，他們往往不會提供任何評論。明確地說，人們的評論往往比較極端。上面是處理資料時最先考慮的問題。此外，資料可以是多維的。例如，Alice 研究生學習階段的記錄可能包括成績、教師評語、學生評語、出版物數量、推薦信及獎項等。

標準化過程的一部分是將不同的特徵歸為結果的某個適當部分。例如，如果 Alice 為一家著名機構工作，這將影響 Alice 的薪水，並且該機構的名稱將在 Alice 簡介中提及。關注點一旦把來自不同來源的資料進行規範化，那就可以認為該資料是格式化的，該格式允許將相似型別的資料一起分組處理。例如，同行評審將被標準化為正面、中立或負面。專業能力的說明會和客戶評論與同行評論分開。在 Bob 的案例中，確定了兩種型別的關注點：· 重要性：Bob 在確定輸出項時，將使用加權機制來確定各個部分的重要性。例如，患者評論可能是潛在客戶所看到的重要內容，佔該報告的50％。但是在提供僱傭合同時，Bob 可能不會對患者評論計權重，而只有一個閾值。例如，如果 Alice 得到的患者正面評價超過80％，那麼就聘用  Alice。· 信任：每個資料來源（或聚合數）都具有該特定值的信任級別。信任是對資料可信度的評估。可以根據其信任級別對資料的各部分進行加權。

注：本文不會討論資料如何處理，這是 Bob 能獨立完成的事情。結論由於聲譽所涉及到的方方面面及其衡量方法的廣泛性，關於如何衡量聲譽，什麼是聲譽以及如何跟蹤聲譽的討論永無止境。透過採取一種實用的方法，即在特定的背景下討論聲譽，我們可以認識到聲譽本身並不是一個孤立的事情，而是個人和組織用來決策的工具。如果從一開始就瞭解最終結果的需求，我們就能夠從瞭解收集有關一個人的哪些資料以及如何處理它的角度來理解聲譽。本文提供了一個框架，以從基於聲譽的行為和決策的角度考慮聲譽問題。對不同的情況會使用不同的標準化和評估方法，以便做出相關決策。