聚合多个个体的估计值作为群体估计,群体估计比大多数单个个体的估计更接近真实值,这种效应被称为“群体智慧”（Wisdom of Crowds,WOC）。群体智慧是聚合个人意见的有效机制,最大化用于决策、估计和预测任务的信息量,减少了依赖错误、不可靠和不准确信息的潜在影响。个体估计的聚合机制是决定群体智慧效度的最重要因素。本研究聚焦于个体判断的极端化聚合机制,从实数值个体判断和概率值个体判断两个维度出发,旨在基于多样性预测定理以及个体判断的最佳拟合分布特征,构建极端化聚合机制,并将极端化聚合方法与经典算术平均策略的聚合质量进行对比,探究极端化聚合方法对群体智慧的改善程度。研究采用课程问题判断实验,采集被试个体的估计数据,创新性地构建了准确度和优胜度两个指标对群体智慧效度进行量化评价。在概率值估计场景中,对极端化聚合机制的多种变式进行了对比分析,并针对顺序策略、区域策略、函数选择与参数优化展开多因素交叉分组实证研究;在实数值估计场景中,通过构造非线性规划问题,建立了偏移不可信值聚合方法,并对裁剪不可信值方法进行对比分析,探究个体估计的裁剪幅度和不对称裁剪对群体智慧效度的影响。研究结果表明:（1）概率值估计场景中,设定校准系数大于1时,本文构建的ATC（Average then Calibrate）、CTA（Calibrate then Average）、PCTA（Partial Calibrate then Average）极端化概率估计聚合策略都可以对算术平均值的准确度和优胜度做出改善。在顺序策略的选择上,ATC方法优于CTA方法;在区域策略的选择上,全局极端化优于局部极端化。（2）实数值估计场景中,本文构建的偏移不可信值聚合方法比算术平均值方法产生的群体智慧效度更高,并且具有良好的预测性能。（3）实数值的裁剪不可信值聚合方法中,“真实值分布位置”作为调节变量影响裁剪策略与群体智慧效度的关系。裁剪策略对群体智慧的作用不受到估计项、群体规模等因素的影响,只和真实值分布位置有关。根据真实值分布位置,选择合适的裁剪策略,裁剪策略提高群体智慧效度。本文提出有效的极端化个体判断机制并进行了系统对比,形成实践应用框架,有助于在决策过程中高效集结信息和观点,提取群体智慧,提供管理决策新范式。