原文作者：TalentDAO@xrex
原文標題：Quantifying Reputation in DAOs
與SBT 提供的單一定性數據點相比，聲譽的定量模型可能更有意義。本文主要探討在DAO網絡中，如何量化貢獻者聲譽。在下一篇文章中，我們將探討該量化模型框架對DAO 治理的潛在影響。
幾個前提假設
-
一個人在組織中的權力等於他的聲譽；
-
聲譽等於貢獻；
-
貢獻可以列舉、衡量和量化；
-
對DAO 貢獻的整體量化可以實現完全透明、無需信任和公平的治理系統。
聲譽是多維的
聲譽是由多種因素構成的。我們選擇觀察哪些因素以及我們選擇如何衡量它們會對我們做出的關於一個人的決定產生巨大影響；需要警惕涉及道德和倫理考慮的主觀測量。諸如同行獎勵圈（例如Coordinape）之類的主觀測量可以捕獲未完全列舉的貢獻，同時還可以通過新的努力來激勵新興增長。但是，我將盡我所能在本文中堅持客觀測量，並從邏輯第一原理思考問題。
如果組織中的新員工已經享有盛譽；然後，這是因為他們在其他地方做出的貢獻——無論是在個人生活還是職業生活中。這些貢獻賦予了他們可轉讓的聲譽。
在web3 世界中，匿名、隱私、抗審查、去信任和無許可系統正確地佔據了至高無上的地位，在評估新組織或個人時，我們通常只能依賴聲譽。因此，在確定某人在組織中擁有多少權力時，聲譽非常重要。好在我們可以在鏈上跟踪行動，從而跟踪貢獻。
DAO 貢獻者可以通過參與聊天、論壇、投票、撰寫提案、投票、參加會議、完成賞金和無數其他方式來建立聲譽。這些行為可以通過各種方式量化，並使用代幣進行獎勵。不可轉讓的NFT，即“靈魂綁定”代幣(SBT)，在過去一年中已成為在鏈上發布信譽憑證的黃金標準。然而，這種方法不足以充分代表人類聲譽的複雜性，尤其是在數字環境中。
一些創建人類聲譽數字表示的方法確實包含了一組不同的輸入數據源。聲譽模型可以基於從鏈上和鏈下的各種數據源中提取的貢獻，然後聚合或比較以計算給定指標和證書資格（“功勳徽章”）。這方面的幾個例子是Gitcoin Passport 和Orange Protocol 的信譽NFT。
使用模型可以讓決策者微調他們對輸入的選擇。一方面是完全缺乏身份驗證，另一方面是對所有列舉變量的綜合評估。與SBT 提供的單一定性數據點相比，聲譽的定量模型可能更有意義。
為什麼組織使用KPI
KPI 是衡量實現目標的績效的一種手段。改進KPI 不應成為任何計劃的主要目標。這就像一條狗追逐它的尾巴。優化KPI 並不能解決原始問題，並導致在不相關的數據集上“訓練模型”。人類天生就有偏見和主觀。人類不僅對他人撒謊，而且對自己撒謊，這種撒謊且往往是無意的。控制方法是使用客觀的數據和分析。
什麼是貢獻？
具有無限設計空間的工作證明。
貢獻包括：
-
一個動作/行為（工作）
-
結果（價值）
-
文件（工作證明）
四種貢獻類型
-
治理：提案、投票、運營、審核
-
金融：投資、贈款、收購
-
努力：基於績效和可交付成果的活動、在會議上花費的時間以及跟踪的項目工作
-
社交：聊天和論壇構思、反饋、會議、促銷
貢獻分數
通過跟踪和量化各種方式的貢獻，有可能創建一個算法和整體系統，該系統對欺詐行為有很強的抵禦能力，而且與較少的投入相比更具代表性、公平性和包容性。
需要建立不同級別的認證（證書）和獲取規則，以區分個人貢獻者和社區。每個人的行動都需要被列舉出來。這似乎是一項艱鉅的任務，直到我們對這個過程施加一些結構。
可以使用轉換函數對個人貢獻進行歸一化，然後進行時間過濾以調整其相對權重。然後可以根據元函數聚合任何特定貢獻的權重，該元函數根據每個社區特定的分佈（下面進一步描述）縮放貢獻類型的類別。最終結果是生成一個單一的匯總值，我們將其描述為“貢獻分數”。
轉換函數：數據轉換
線性：x = n
“圖形為直線的函數，即次數為零或一的多項式函數。”
二次方： x = 2^n
“具有一個或多個變量的多項式函數，其中最高階項為二階。”
對數：x = log2(n)；
求冪的反函數。 ”\”另一個固定數字 […] 必須提高到的指數”
時間過濾器
可以調整每個輸入以關注相關時間範圍或加權時間範圍，以確定發送到轉換函數的計數中包含哪些貢獻。本節和概念最初受到SourceCred grain 分佈中使用的模型的啟發。
SourceCred 對於項目如何為貢獻分配獎勵（“grain”）有三種政策——最近的、即時的和平衡的。此處介紹的模型將其擴展到包括信念——一種在給定時間段內增加輸入權重的策略。
時間過濾器的概念可以應用於計算任何給定快照的貢獻分數。
1.即時
“這將根據每個參與者在上週的貢獻平均分配獎勵。（此政策忽略前幾週的所有貢獻，旨在為積極參與者提供快速獎勵）。”
2.平衡
“這會根據終生貢獻和終生獎勵收入來分配獎勵。平衡的時間過濾器試圖確保項目中的每個人都收到與他們在整個參與期間的總貢獻一致的總獎勵支付。
例如，假設一個貢獻者過去貢獻的數量很少，因此獲得的獎勵也很少。但是，社區最近改變了權重，或者添加了一個新的插件，使得貢獻者現在有更多的貢獻記錄。
平衡政策認為這個貢獻者的報酬過低，所以它會支付額外的錢來“趕上”項目中的其他人。相反，貢獻者可能會’多付’，他們會得到更少的回報，直到支出被平衡。 ”
3.最近
“這會根據最近的貢獻分配獎勵，使用指數衰減來優先考慮最近的信譽。“recentWeeklyDecayRate 參數決定了你想在多大程度上關注最近的貢獻。如果recentWeeklyDecayRate 設置為0.5（即50% 折扣），如上例，該策略將計算上週產生的貢獻的100%，前一周產生的貢獻的50%，本週產生的貢獻的25%在那之前，前一周的12.5%，依此類推。 ”
4. 信念
有第四種可能的模式作為治理的修飾符而流行，可用作時間貢獻過濾器。信念投票結合了隨著時間的推移不斷增加決策承諾的概念。可以擴展相同的概念，以根據隨時間而不是固定時間段連續衰減的權重來計算貢獻分數。
輸出
因變量是通過適當的時間過濾轉換函數傳遞輸入變量而產生的。表1（分為兩部分）說明了輸入(X) 的示例列表，並將每個輸入與假設方法配對以計算輸出值(Y)。
圖1：具有豐富輸入集的說明性模型組件
元函數
元函數在這裡被定義為由集合函數組成的複合函數。集合函數的一個屬性是相對於一組輸入函數減少計算的維度輸出。元函數可用於計算標準化的貢獻分數，該分數合理地近似於社區中基於聲譽的參與。從一組輸出值(Y) 計算標準化貢獻分數需要三個步驟，這些輸出值表示每個單獨貢獻的輸入源的縮放和標準化量化。
確定每種貢獻類型的權重。
治理：XX%
財務：XX%
努力：XX%
社交：XX%
注意：如果貢獻被分配給多種類型，則它們必須單獨計算。
確定用於組合貢獻類型的轉換函數。
(a) + (b) + (c) + (d) = 總重量
注意：對所有元函數使用線性轉換並避免多餘的數據轉換可能更簡單。通過使用適當的轉換函數轉換每個單獨的輸入，可以獲得更精細的控制。
通過取總權重的平均值來歸一化最終的貢獻分數。
總權重/# 貢獻類型= 歸一化貢獻分數
