Schneider y Beccuti examinan las recompensas de DRep de Cardano y la votación con IA

Manvir Schneider, científico sénior de investigación en la Cardano Foundation, y Juan Beccuti, investigador en economía y gobernanza de blockchain, presentaron su programa de investigación durante el primer Research Exchange el 19 de octubre. Su conversación abarcó la compensación de DRep, el uso de grandes modelos de lenguaje en la gobernanza y los incentivos económicos que respaldan la red de Cardano.

La serie invita a comentarios de la comunidad mientras la investigación se desarrolla, continuando la colaboración de la Cardano Foundation con Input Output y otras instituciones de investigación.

Recompensar decisiones informadas de DRep

Los DReps reciben poder de voto delegado de los tenedores de ADA y participan en la gobernanza de Cardano. Diseñar la compensación por ese trabajo requiere una forma de incentivar que los representantes evalúen las propuestas en lugar de simplemente registrar votos.

Schneider describió el riesgo de recompensar la participación sin considerar el esfuerzo. Un representante podría votar al azar o copiar la postura de otro participante y aun así cumplir un requisito de actividad.

Los investigadores estudian mecanismos diseñados para respaldar la toma de decisiones informadas. Schneider explicó que uno de los modelos que analizan exigiría que los votos individuales permanezcan ocultos hasta que cierre la votación.

Ese requisito modificaría el momento en que los delegadores y otros observadores podrían inspeccionar las decisiones de los representantes. Se trata de confidencialidad temporal durante un periodo de votación, no de ocultar permanentemente el resultado.

Los investigadores señalaron la aceptación comunitaria de ese arreglo como una cuestión para seguir discutiendo. No se anunció la activación de pagos a DRep ni cambios en el proceso de votación de Cardano.

Modelos de IA compartidos pueden producir juicios correlacionados

Otro tema de investigación examina los grandes modelos de lenguaje como delegados o herramientas de apoyo a la decisión. Las propuestas de gobernanza pueden requerir mucha lectura, por lo que los resúmenes y análisis automatizados pueden ser una ayuda potencial para los representantes.

Schneider destacó un riesgo cuando muchos participantes usan el mismo modelo con información y contexto similares. Su razonamiento y sus decisiones pueden volverse correlacionados, reduciendo la independencia de sus evaluaciones.

Esa distinción importa al evaluar decisiones colectivas. Varios votos basados en una sola fuente de análisis no aportan necesariamente la misma diversidad de juicio que opiniones formadas de manera independiente.

La sesión presentó esto como una pregunta de investigación abierta. No estableció que los modelos de IA compartidos determinen actualmente los resultados de la gobernanza de Cardano ni cuantificó su influencia en los votos existentes.

[NEWSBREAK]

Parámetros de staking e incentivos a largo plazo

Beccuti esbozó dos sesiones de seguimiento que examinan cómo los cambios de parámetros afectan a los operadores de pools y a los delegadores.

La primera abordaría parámetros directamente conectados con la distribución de recompensas. Reducir el costo fijo declarado de un pool, por ejemplo, puede reducir inicialmente los ingresos del operador y al mismo tiempo hacer que el pool resulte más atractivo para los delegadores. El efecto neto depende de las decisiones de delegación posteriores y de la distribución existente del stake.

Una segunda sesión examinaría parámetros monetarios de mayor plazo, incluido el uso de reservas para financiar recompensas y la sostenibilidad de esos incentivos en el tiempo.

El programa más amplio también incluye el comportamiento de propagación de bloques y los incentivos para validar y adoptar bloques endorser de Leios.

Para las sesiones sobre parámetros, los investigadores planean comparar los objetivos de diseño con las condiciones actuales del mercado. Se invita a los operadores de pools y a los delegadores a cuestionar los supuestos usando sus costos y sus ingresos reales, así como sus respuestas a cambios en las recompensas.