本文从数据、模型、学习三个维度，全面回顾了 13 年来 AI 社区在众包学习领域的进展，着重提出了每个维度的一些有前途的蓝图，并探讨了过去研究的经验教训，旨在为新研究者提供指引，鼓励他们做出新的贡献。

Jun, 2022

本文介绍了一种基于随机过程的建模方法来研究用户贡献型网站，特别是在网站设计中信息展示的选择方面，这种方法提供了一种可操作的方法来理解用户的活动以及如何建模网站上的用户活动，我们以新闻评分网站 Digg 为例介绍了这种建模方法。

Mar, 2009

本文提出了一种名为 MONITOR 的方法，用来解决众包平台上不同质量的数据聚合问题。该方法通过估计贡献者的资质和行为来确定其贡献者资料，并利用数据信任理论来考虑其潜在不完美的特点，从而更好地聚合贡献者的数据。在真实数据上的实验表明，MONITOR 方法大大提高了聚合后的数据准确性。本文的贡献在于首次提出了一种模型，既考虑了贡献者的资质，也考虑了其行为，用于估计其贡献者资料。其次，还提出了一种根据估计的资料弱化和聚合结果的答案的方法。

Mar, 2023

本文提出了 SLANT，一种基于标记的跳跃扩散随机微分方程的概率建模框架，用于表示用户随时间变化的意见，可以从历史细粒度事件数据中进行有效的模型模拟和参数估计，并利用该框架得出了一组有效的预测公式，实验结果表明，该模型提供了良好的拟合，并且比其他方法实现了更准确的预测。

Jun, 2015

本研究提出一种将机器学习与众包数据库结合的主动学习算法，以实现众包应用程序的可扩展性，并通过实验证明：相比于以往的主动学习方案，我们的方法平均只需要人类标记 1-2 个数量级的数据集就能实现与随机采样相同的精度。

Sep, 2012

本文研究了在线辅导平台上对话的困扰个体的情绪估计的主观评估任务，探讨了聚合评估者选择的策略，展示了一个简单的投票共识与优化聚合方法在这个任务中同样有效，并设计了一种机器学习算法来执行相同的任务。有趣的是，我们观察到了一个没有明确建模评估者主观性的机器学习算法，在评估最主要的情绪时与人类评估一样可靠。

Jun, 2019

预测社交媒体中受欢迎的内容具有挑战性，但是我们利用用户早期反应构建的随机模型可以预测受欢迎的程度，并结合网站设计方面的因素，提高了预测的准确性。

Apr, 2010

提出了一种基于预测市场的众包学习机制方法，参与者可以通过赌注来修改推理任务的当前假设，并获得相应的盈利，以此改善预测的性能，从而解决了以往机器学习竞赛所存在的诸多弊端。

Nov, 2011

本文研究了在线社交媒体上的用户行为和内容推荐，以新闻聚合平台 Digg 为例，提出了一种随机模型用于区分内容的可见性和有趣性对用户的影响，并预测了用户对内容的兴趣，为网站内容设计提供了参考。

Jan, 2012

本研究提出一种新的信息引出机制，可用于多任务时具有内生能力的代理人的二进制信息引出，其奖励代理人同意 “参考” 评估者的任务，但惩罚盲目同意，以鼓励代理人付出更多的努力，以便获取奖励。

Mar, 2013