Kapitel 6: Beitragsanerkennungsmechanismus
6.1 Die zentrale Herausforderung der Anerkennung
Die Beitragsanerkennung ist die kritischste und schwierigste Komponente von GMC. Die zentrale Herausforderung liegt in:
- Beiträge können objektiv (quantifizierbar) oder subjektiv (bewertungsbedürftig) sein
- Objektive Messung ist von Natur aus betrugsresistent, hat aber eine enge Abdeckung
- Subjektive Bewertung hat eine breite Abdeckung, ist aber leicht manipulierbar (ähnlich wie gefälschte Online-Bewertungen)
6.2 Zwei Erwerbsmethoden
Methode 1: Objektive Messung
Basierend auf verifizierbaren objektiven Metriken prägt das System automatisch Merit:
| Messdimension | Beispiele | Merkmale |
|---|---|---|
| Nach Volumen | Bediente Kunden, eingereichte Vorschläge | Prüfbar, betrugsresistent |
| Nach Zeit | Servicestunden, Online-Dauer | Zeitstempel sind verifizierbar |
| Nach Output | Code-Commits, erstellte Dokumentation | On-chain nachverfolgbar |
Vorteile: Automatisch, effizient, hohe Betrugsschwierigkeit. Einschränkungen: Kann nicht alle Arten von Beiträgen abdecken.
Methode 2: Aufgabenprämie
Voreingestelltes Merit für eine bestimmte Aufgabe; bei Abschluss stimmen Stakeholder zur Bestätigung ab:
- Veröffentlichen: Aufgabenziel, Merit-Belohnung und Einflussdauer definieren
- Ausführen: Der Ausführende erledigt die Aufgabe und reicht Ergebnisse ein
- Abstimmen: Stakeholder stimmen darüber ab, ob die Kriterien erfüllt sind
- Prägen: Bei Genehmigung prägt das System MeriToken
6.3 Stakeholder-Mechanismus
Wer sind die Stakeholder
Parteien mit einem berechtigten Interesse an einem bestimmten Beitrag. Zum Beispiel:
- Beitrag eines Regierungsberatungs-coFay → wird kollektiv von dessen Nutzern bewertet
- Beitrag zu einem Open-Source-Projekt → wird von den Nutzern und Mitarbeitern des Projekts bewertet
Schlüsselregel: Ausschluss von Personen mit hoher Vertrautheit
Da GMC das soziale Beziehungsnetzwerk erfasst, kann das System:
- Personen identifizieren, deren Vertrautheit mit dem Beitragenden einen Schwellenwert überschreitet
- Diese Personen aus dem Abstimmungspool ausschließen
- Abstimmende aus den verbleibenden Stakeholdern auswählen
Dies ist der Kernmechanismus zur Verhinderung von „Insider stimmen für Insider".
Konsens-Genehmigungsbedingungen
- Ein Anteilsschwellenwert wird festgelegt (z.B. 2/3-Mehrheit)
- Das Abstimmungsgewicht ist an das eigene MeriToken des Abstimmenden gebunden
- Sobald der Schwellenwert überschritten wird, prägt das System automatisch
6.4 Bestimmung der Einflussdauer
Jede Beitragsanerkennung muss auch die Einflussdauer bestimmen:
| Bestimmungsmethode | Anwendbares Szenario |
|---|---|
| Voreingestellt nach Beitragstyp | Objektive Messung (z.B. Kundenservice-Interaktion = 30 Tage) |
| Vom Aufgabenherausgeber festgelegt | Aufgabenprämie |
| Kollektiv von Abstimmenden entschieden | Gemeinschaftskonsens |
Die Einflussdauer bestimmt die Verfallsrate dieser Merit-Charge.
6.5 Anti-Betrugs-Strategien
Kernfrage in der Diskussion: Bitcoin-Mining ist rein objektive Messung, von Natur aus betrugsresistent. Aber GMC beinhaltet subjektive Bewertung — wie verhindert man gefälschte Bewertungen?
Ansatz: Nicht die Subjektivität eliminieren, sondern die Kosten des Betrugs weit über den Nutzen hinaus steigern.
Verteidigungskombination:
- Vertrautheitsausschluss: Abstimmende mit engen Beziehungen zum Bewertungsgegenstand ausschließen
- MeriToken-Gewichtung: Abstimmende mit hoher Reputation haben mehr Gewicht; Betrüger müssen zunächst erhebliche echte Reputation aufbauen
- Abstimmungsverhaltens-Audit: Häufiges Abstimmen zugunsten einer bestimmten Person → als anomal markiert
- Zufallsstichprobe: Zufällige Auswahl von Abstimmenden aus dem Stakeholder-Pool zur Reduzierung der Kollusionsmöglichkeit
- Rückwirkende Verantwortlichkeit: Bei Entdeckung von Betrug kann dieser rückwirkend durch den Strafmechanismus adressiert werden
Designprinzip
Beiträge so weit wie möglich in objektiv messbare Komponenten zerlegen und den Anteil subjektiver Bewertung reduzieren:
- Objektive Messung priorisieren (automatisch, effizient, betrugsresistent)
- Subjektive Bewertung nur für Szenarien verwenden, die nicht objektiv quantifiziert werden können
- Subjektive Bewertung setzt mehrere Verteidigungsschichten ein, um das Betrugsrisiko zu reduzieren
6.6 Diskussionsnotizen
Design-Abwägungen bei der Beitragsanerkennung:
- Effizienz vs. Fairness: Objektive Messung ist effizient, aber eng; subjektive Bewertung ist umfassend, aber manipulationsanfällig
- Teilnahme vs. Qualität: Die Senkung der Abstimmungsschwelle erhöht die Teilnahme, kann aber die Bewertungsqualität verringern
- Aktueller Ansatz: „Objektiv zuerst + subjektive Ergänzung + mehrschichtige Verteidigung"
- Weiterführende Frage: Wie wird Merit aus dem Nichts geschaffen? → Siehe Kapitel Wirtschaftsmodell