本文考虑众包任务分配中的可靠性问题，提出了一种基于置信传播和低秩矩阵逼近的算法来决定如何分配任务，并从工人的答案中推断出正确答案。比较了不同算法的表现，发现基于者非自适应的算法是最优的。此外，还强调了建立可靠的工人信誉系统对于完全运用自适应设计的潜力至关重要。
Oct, 2011
本文提出了一种利用极小化最大条件熵原理从嘈杂的众包标签中推断出真实标签的独特概率标记模型，该模型考虑到了工人能力和项目难度等因素，并提出了客观测量原则验证。
Mar, 2015
本文介绍了一种新的时间敏感的贝叶斯聚合方法，称为BCCTime，该方法同时估计任务的持续时间并获得可靠的聚合众包判断，该方法使用潜在变量表示关于工人完成时间、任务持续时间和工人准确性的不确定性，通过高效的信息传递贝叶斯推理来学习关于每个工人和任务的后验概率，并与现有方法相比产生更准确的分类以及更多的任务持续时间估计。
Oct, 2015
该研究探讨了如何在固定预算下最大化标注数据的精确度，比较自适应任务分配与非自适应任务分配之间的优劣，并使用概率模型来解决这个问题。
Feb, 2016
本文研究了在众包标注过程中，利用 Dawid-Skene 模型恢复错误标注并输出正确标注问题，提出了一种更紧密的下限和 Belief Propagation （BP） 算法来解决这一问题。实验结果表明，BP是所有算法中最优的。
本文提出了一种快速评判用于二元和分类标签的技术，避免所有错误，快速评判的同时通过随机任务顺序和建模响应延迟来纠正错误，通过广泛的标记任务验证，相较于之前工作实现的0.25x到1x的加速，我们的方法通常实现10倍的加速效果。
本文提出一种名为Triangular Estimation（TE）的算法用于估计众包工作者的可靠性，并得出了一个新的下限，该下限适用于任何估计程序。通过对合成和现实数据集的性能评估，证明TE的最小最大近似误差具有优越性。
Jun, 2016
该研究针对实际的众包模型和更广泛类别的众包模型，推导出更实用的Dawid和Skene模型的最小化极差错误率，并提出了一种更实用的工人聚类模型，得到的实验结果与理论分析结果在最小极差错误率下具有较强的相似性。
Feb, 2018
本文提出了两个轻量级算法LA extsuperscript{onepass}和LA extsuperscript{twopass}，通过动态贝叶斯网络建模聚合标签，可以有效地、高效地估计工作者质量和真实标签，并可以在不重新访问历史数据的情况下在线估计真正的标签值。
Nov, 2022
通过方差分解来评估数据质量和检测垃圾信息威胁，提出垃圾信息指数评估整体数据一致性，并利用马尔可夫链和广义随机效应模型开发了两个指标来衡量群体工作者的可信度。
Apr, 2024